Framework to prioritize health outcomes of particulate matter exposure using national claims data
Notice bibliographique
Résumé
OBJECTIVES: Although particulate matter (PM) exposure poses significant public health risks, previous research has focused on limited clinical areas. However, emerging evidence and pathological mechanisms of PM suggest that PM may exert broader systemic effects across a wide range of diseases. Therefore, we aim to identify and prioritize research questions to evaluate health impacts of PM exposure across various clinical specialties. METHODS: A structured collaborative process was conducted between April and November 2024 in South Korea, incorporating systematic literature reviews, multidisciplinary expert discussions, and knowledge-sharing seminars. The primary outcomes were the identification of diseases potentially influenced by PM exposure and the development of corresponding research questions. The literature review synthesized more than 417 publications, including the U.S. Environmental Protection Agency's integrated science assessment materials, a government-issued abstract compendium on PM covering 2010-2019, and studies published from 2020 to 2024 identified via a structured search. These were categorized by exposure duration (short- or long-term) and diseases outcome (incidence or progression). Prioritization was based on three criteria: pathological causality, clinical impact (public health burden), and feasibility using the Korea National Health Insurance Service (K-NHIS). RESULTS: A total of 99 experts from epidemiology, data science, and 14 clinical specialties participated. The experts panel (mean age: 46.1 years; mean professional experience: 20.5 years) identified 211 research questions across 80 diseases. These were classified by disease outcome: disease incidence (short-term, 54; long-term, 64) and progression (short-term, 47; long-term, 46). Notably, several clinical areas such as ophthalmology, dermatology, and otolaryngology were underrepresented. CONCLUSION: This structured, multidisciplinary approach broadened the scope of PM-related clinical research beyond commonly studied clinical area. This scalable framework can be adapted in other regions with similar claims data systems to guide evidence-based research agendas and inform public health policies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,057 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,007 |
| Bibliométrie | 0,027 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».