MétaCan
Menu
Retour à la cohorte
Enregistrement W4415478385 · doi:10.1001/jamanetworkopen.2025.38882

Prenatal Exposure to Fine Particulate Matter Components and Autism Risk in Childhood

2025· article· en· W4415478385 sur OpenAlexafffundabout
Chengchun Yu, Robert Talarico, Steven Hawken, Hong Chen, Scott Weichenthal, Sabit Cakmak, Chris Hebbern, Anna Gunz, Aaron van Donkelaar, Randall V. Martin, Jean-Nicolas Côté, Éric Lavigne

Notice bibliographique

RevueJAMA Network Open · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAir Quality and Health Impacts
Établissements canadiensUniversité de SherbrookeChildren’s Health Research InstituteWestern UniversityMcGill UniversityPublic Health OntarioUniversity of TorontoHealth CanadaOttawa HospitalUniversity of Ottawa
Organismes subventionnairesUniversity of TorontoSchulich School of Medicine and Dentistry, Western UniversityUniversité de SherbrookeOttawa Hospital Research InstituteHealth CanadaChildren's Health Research InstituteU.S. Department of EnergyMcGill UniversitySchulich School of Medicine and DentistryUniversity of Ottawa
Mots-clésPrenatal exposureAutismPregnancyParticulatesCohort studyCohortPrenatal alcohol exposureRisk assessmentAir pollutants

Résumé

récupéré en direct d'OpenAlex

Importance: Prenatal and early-life exposure to fine particulate matter (PM2.5) has been associated with autism spectrum disorder (ASD), but the role of individual components and timing of exposure remains unclear. Objective: To examine associations between prenatal and first-year-of-life exposure to PM2.5 components and ASD diagnosis, and identify potentially sensitive periods during pregnancy. Design, Setting, and Participants: This cohort study conducted in Ontario, Canada, used administrative health data covering approximately 98% of births in the province. The cohort included singleton live births from Ontario hospitals between April 1, 2002, and December 31, 2022, with gestational age 36 to 42 weeks, birth weight 500 to 6800 g, maternal age 15 to 55 years, complete residential history, and provincial health insurance coverage. At least 18 months of follow-up was required for postnatal exposure analyses. Exposures: Biweekly concentrations of PM2.5 components (black carbon, dust, ammonium, nitrate, organic matter, sulfate, sea salt) and weekly NO2 and O3 from conception to age 36 weeks. Prenatal models were adjusted for postnatal exposure using annual averages. Pollutant levels were estimated using satellite data, chemical transport models, and ground-based measurements. Main Outcomes and Measures: ASD diagnosis by age 5 years. Cox proportional hazards models were used to assess associations, and distributed lag nonlinear models identified sensitive exposure windows. Results: Among 2 183 324 births (mean [SD] maternal age, 30.5 [5.4] years; mean [SD] gestational age at birth, 39.2 [1.1] weeks; 1 152 040 female infants [48.9%]), prenatal exposure to PM2.5, sulfate (SO42-), and ammonium (NH4+), and postnatal exposure to ozone (O3), were associated with ASD. Hazard ratios (HRs) per 1-IQR increase for SO42- were 1.15 (95% CI, 1.06-1.25) and for NH4+ was 1.12 (95% CI, 1.01-1.23). PM2.5 mass excluding SO42- and NH4+ during their respective critical windows was not associated with ASD (HR, 1.04; 95% CI, 0.92-1.19). O3 exposure during weeks 26 to 30 (HR, 1.03; 95% CI, 1.00-1.05) and over the first year (HR, 1.09; 95% CI, 1.01-1.17) was also associated with ASD. Conclusions and Relevance: In this large cohort study, prenatal exposure to specific PM2.5 components and postnatal O3 exposure were associated with ASD risk. The second and third trimesters may represent sensitive exposure windows. These findings support further research on air pollution's role in ASD etiology.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,058
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,281
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJAMA Network OpenMême sujetAir Quality and Health ImpactsTravaux en français237 207