Exploring the relationship between medications and heat-related community deaths during the 2021 heat dome: a hybrid approach using machine learning
Notice bibliographique
Résumé
BACKGROUND: Extreme heat events (EHEs) are a growing threat to health worldwide. To date, only a limited number of studies have evaluated medications as risk or protective factors for mortality during EHEs. METHODS: We explored the relationship between dispensed pharmaceuticals and heat-related community deaths using linked administrative health data and both logistic regression (LR) and machine learning (ML) models. We conducted a case-control study during the 2021 EHE in British Columbia, Canada, including 504 community deaths from heat exposure as cases and 2520 similar controls who survived the EHE. We used medications dispensed 30, 60 and 90 days prior to death (or 30, 60 and 90 days before the end of the EHE for controls) as predictors, grouped by Anatomical Therapeutic Chemical (ATC) classification at level 2 for LR (28 classes) and level 4 for ML (270 subclasses). Models were adjusted for multiple covariates, including common chronic diseases. FINDINGS: Results from LR showed increased odds of mortality associated with dispensations of antiepileptics, anti-Parkinson drugs, psycholeptics, diuretics, drugs for diabetes, beta blocking agents, analgesics, urologicals and drugs for treatment of bone diseases. We observed a protective association with dispensations of calcium channel blockers and ophthalmologicals. Results varied by sex, age, and other covariates. The ML model highlighted the most computationally important subclasses of medications within each of the ATC level 2 classes. INTERPRETATION: This study leveraged both LR and ML to generate insights about medications and mortality during EHEs. The results add to the existing evidence on pharmaceutical risks during EHEs and provide new avenues for further research. They can be used to help develop more targeted messages to inform individuals whose medications put them at greater risk during EHEs. FUNDING: BC Centre for Disease Control and Ministère de l'Enseignement supérieur du Québec.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».