Air–Noise Pollution Linkages: Testing Innovative Community-Based Adaptation and Mitigation Strategies in Kenya
Notice bibliographique
Résumé
Introduction: Our case study was conducted across healthcare facilities in Kilifi and Nairobi, where perinatal adolescents were screened for depression. Objective: The relationship of environmental monitoring in addressing mental health needs of vulnerable perinatal adolescent populations was explored. Methods: We installed outdoor air quality sensors at two facilities in Nairobi—Kangemi and Kariobangi North health centers—and two in Kilifi—Mtwapa and Vipingo health centers—and installed sensors in two households of two perinatal adolescents. Community health workers monitored air quality and noise levels data, collecting experiential data on stress and mood from perinatal adolescents. Findings: Air quality monitoring revealed site-specific variations in PM2.5 concentrations. Kariobangi Health Center recorded the highest mean concentration of 29.45 µg/m³, exceeding the WHO 2021 annual guideline of 5 µg/m³ indicating substantially degraded air quality. Kangemi Health Center was next (21.27 µg/m³), followed by Mtwapa (15.34 µg/m³) and Vipingo (12.52 µg/m³). Noise monitoring revealed consistently elevated exposure in healthcare settings. At Kangemi Health Center, mean noise levels reached 52.2 dB (median: 53.5 dB), surpassing the WHO guideline for hospital settings (<35–40 dB). Household-level air quality monitoring highlighted significant operational challenges: sensor deployment constraints, difficulties in ensuring continuous temporal coverage, and substantial intra-day variability—underscoring the need for improved monitoring design and calibration strategies. Conclusions: We tested air and noise monitoring deployment as a lever for strengthening the health system and a strategy for improved patient care and mental well-being. We trained community health workers and youth leaders in a task-shifting model to collect environmental health data. Our approach sought to ease the deployment of environmental monitoring in a sustainable data collection process. However, both mitigation, targeting reduction in sources of pollution, and adaptation efforts focused on coping with the effects of air and noise pollution on vulnerable populations within primary care need concerted efforts.
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 | 0,002 | 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 | 0,001 | 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 ».