Modelling the climate impact of inhalers and mitigation strategies: a population-based study in British Columbia, Canada (2015–2032)
Notice bibliographique
Résumé
BACKGROUND: Canada has one of the highest per capita greenhouse gas (GHG) emissions, with healthcare contributing ~5% of the total. Pressurised metered-dose inhalers (pMDIs) are significant contributors due to their use of hydrofluorocarbon propellants. While propellant-free dry powder inhalers (DPIs) and soft mist inhalers (SMIs) are available, their adoption remains limited. This population-based study evaluates inhaler dispensation trends in British Columbia (BC), Canada, projects future dispensation and emissions over the next decade, and explores mitigation strategies through pMDI substitution. METHODS: Historical inhaler dispensation data (2015-2022) from BC were analysed using negative binomial models to assess trends, project future usage and emissions (2023-2032) and evaluate four substitution scenarios replacing pMDIs with low-GHG alternatives or DPIs/SMIs. Emissions were estimated by inhaler type, sex, age and health region, with uncertainties addressed through Monte Carlo simulation for the projected values. RESULTS: An average of 2.1 million inhalers are dispensed annually in BC, with pMDIs comprising 64% of total inhaler use but contributing 98% of the ~30 000 tonnes of GHG emissions. There was regional variation and older populations contributed disproportionately, reflecting burden of disease. From 2015 to 2022 (excluding 2020 and 2021, the COVID-19 years), pMDI dispensations decreased by 1% annually while DPI/SMI dispensations increased by 5%. Projections show that, without intervention, emissions could rise to ~37 000 tonnes by 2032, varying by age group. All substitution scenarios, by replacing pMDIs with DPIs/SMIs, could reduce emissions by up to 42%. CONCLUSION: High quality, guideline-directed diagnosis and management of respiratory disease is known to improve health and reduce emissions. Building on these benefits, our analysis shows that substituting pMDIs with lower-emission inhalers, when guided by policy and clinical decisions that prioritise patient safety and preference, can significantly reduce healthcare-related GHG emissions.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 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 ».