Greenhouse gas emissions of a large, academic outpatient orthopedic center in the United States
Notice bibliographique
Résumé
Introduction: Hospitals and health systems create pollution as a byproduct of their work improving people's personal health. Pollution can harm human health. As part of a broad effort to comprehensively quantify a health system's pollution, we started with one group of pollutants, greenhouse gases, at a freestanding outpatient orthopedic center (OC). Methods: OC has clinic rooms, imaging, administrative offices, and a small ambulatory surgery center. It was newly constructed and received LEED Silver certification in 2022. The Greenhouse Gas Protocol was used to categorize emissions into Scope 1 (direct), Scope 2 (indirect from purchased energy), and Scope 3 (supply and value chain) emissions for fiscal year 2023. Results: OC's total annual emissions were 11,049 metric tons of carbon dioxide equivalent (MTCO2e), with 2% from Scope 1, 17% from Scope 2, and 81% from Scope 3. Most Scope 3 emissions came from just three categories: patient transportation (52% of Scope 3 emissions), purchased goods and services (20%), and employee commuting (12%). Discussion: This initial study highlights the significant contribution of Scope 3 emissions to an outpatient center's greenhouse gas footprint. It specifically identifies patient travel as a major contributor to emissions; this is particularly important since patient travel is not always included in Greenhouse Gas Protocol healthcare assessments and patient travel can be mitigated in some circumstances by utilizing telemedicine. The emissions distribution across scopes is similar to other international hospitals, indicating generalizability, though the high proportion of patient travel emissions is unique to this outpatient-focused facility.
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 | 0,001 | 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 | 0,000 | 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) | 0,000 | 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 ».