Metrics of Urbanicity and Rurality in US-Based Epidemiologic Studies of Ambient Temperature and Health: A Scoping Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The impacts of environmental health risk factors, including temperature, vary across urban and rural areas. Application of different metrics of rurality and urbanicity can yield different risk characterizations. We aimed to identify, describe, and quantify how urban/rural metrics are used in epidemiologic studies of ambient temperature and health across the United States (US). METHODS: Using PubMed and Scopus, we identified epidemiologic studies published between January 2010 and March 2025 that examined ambient temperature and health in the US and included a defined, quantitative metric of urbanicity/rurality. Titles, abstracts, and full texts were evaluated by two independent reviewers. Data from included studies were extracted using a predetermined tool. RESULTS: Of the 11,013 studies resulting from our search, 36 were included. We identified 23 metrics drawing from 10 data sources. The most frequently used metrics were population density and size from the US Census (n = 11 studies). Other metrics reflected connectivity and proximity to surrounding areas, such as the US Census’s Urban-Rural Classification (n = 7 studies), and the US Department of Agriculture’s Rural-Urban Commuting Area Codes (n = 4 studies) and Rural-Urban Continuum Codes (n = 2 studies). Additional metrics captured features related to the natural environment, built environment, and employment. Many studies did not provide a rationale for metric selection. DISCUSSION: Urbanicity and rurality metrics have moved beyond population size and density to include other features. Providing rationales for choice of metric or the differential vulnerability or adaptive capacity captured by the metric could bolster understanding of urban-rural differences in the impact of temperature on health.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle