Advancing extreme heat risk assessments to better capture individually-experienced temperatures: A new approach to describe individual and subgroup vulnerabilities
Notice bibliographique
Résumé
BACKGROUND: Extreme heat risk assessments often rely on epidemiologic studies that used the nearest available outdoor airport temperatures (OATs) rather than individually-experienced temperatures (IETs) and frequently lack key individual-level determinants of exposure, including occupation, housing, and air conditioning. This hampers efforts to characterize heat burden inequities and guide interventions for vulnerable populations. OBJECTIVES: We developed an approach to estimate individual and subgroup-specific health impacts from modeled IETs before and during extreme heat events for three U.S. cities: Atlanta, Georgia (hot-humid), Detroit, Michigan (temperate), and Phoenix, Arizona (hot-dry). METHODS: IET profiles were estimated using modeled parcel-linked population microdata, housing-specific indoor temperatures from building energy models, ambient temperatures from urban-scale climate models, and time activity patterns from surveys. We linked each IET profile to daily OATs, then fit mixed-effects regressions to predict "equivalent" OATs (eOATs), based on IET, housing, and demographics. We assigned risk ratios (RRs) from existing literature on all-cause mortality, all-cause emergency department (ED) visits, and preterm births to each person-day's eOAT and estimated 5-day-extreme-heat absolute risks (ARs) by age-race-income-occupation subgroup. RESULTS: The eOATs, RRs, and ARs differed between people due to variability in IETs and baseline health outcome incidence rates. All-cause mortality RRs ranges were 1.00-1.16 (Atlanta), 1.01-7.08 (Detroit), and 1.00-6.38 (Phoenix). All-cause-mortality ARs ranged 0.01-32 (Atlanta), 0.01-1,100 (Detroit), and 0.01-950 (Phoenix) per 100,000 persons. ED visit ARs ranges were 0.2-270 (Atlanta) and 0.04-6,200 (Phoenix) per 100,000 persons. Heat mortality ARs were higher among older adults and, only in Detroit, in young, Black, outdoor workers (median = 6.6 per 100,000) compared to young, non-Black, higher-income, indoor workers (median = 0.3 per 100,000). DISCUSSION: When IETs can be estimated or directly measured, person-specific eOATs can be used to estimate the subgroup-specific heat-health burdens that would be experienced without adaptive behaviors. This approach could be adapted for other contexts to inform climate preparedness and justice policies. https://doi.org/10.1289/EHP15223.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».