The role of green areas in modifying heat-related circulatory and respiratory hospital admissions in Brazil
Notice bibliographique
Résumé
Heat exposure is a growing public health concern, particularly in tropical regions like Brazil. However, the role of green spaces in mitigating heat-related health risks remains unclear. This study investigates the association between heat and circulatory and respiratory hospital admissions in Brazil (2008-2018) and assesses the potential mediating effect of different green space metrics. We conducted a three-stage analysis using a time-stratified quasi-Poisson regression model to estimate state-level heat-health associations. A meta-analysis was performed to obtain pooled national effects, followed by a meta-regression to assess the influence of green spaces. We considered four green metrics: NDVI, urban green area, natural forest, and total green area. Our results showed that extreme heat (99th percentile) significantly increased hospital admissions, with a 1 % increase in circulatory admissions for the overall population (RR: 1.01, 95 % CI: 1.00-1.03) and a 26% increase in respiratory admissions (RR: 1.26, 95 % CI: 1.22-1.30). Moderate heat (90th percentile) also increased respiratory admissions (RR: 1.13, 95 % CI: 1.11-1.15) but exhibited protective effects for specific subgroups in circulatory admissions. Regarding the mediating role of green areas, our findings suggest that while NDVI, urban green areas, and total green coverage mitigate heat-related health risks, their protective effects vary by age and sex. Under extreme heat conditions, a one standard deviation (SD) increase in urban green area was associated with a 0.6% (95%CI: 0.1 % - 1.1 %) reduction in circulatory admissions among individuals aged 65 and older. For heat-related respiratory admissions, under moderate heat conditions, a one SD increase in NDVI corresponded to a 3.4% (95 %CI: 2.1% - 4.7%) reduction in hospitalizations for the general population. Our findings suggest that while green areas can mitigate heat-related hospitalizations, their effectiveness depends on vegetation type, spatial distribution, and social vulnerability. These results emphasize the need for climate-adaptive urban planning and heat mitigation strategies tailored to local environmental and sociodemographic contexts.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».