Within-city spatial variations of novel air pollution exposure metrics and their relationship with cardiovascular mortality and brain cancer incidence in the Canadian urban environment
Notice bibliographique
Résumé
Outdoor air pollution, including fine particulate matter (PM2.5)air pollution, contributes to a range of adverse health outcomes and has a large population health impact.However, the standard method of measuring exposures to particulate air pollution as a mass concentration has limitations.Recently, emerging measures have been developed that account for the composition and toxicity of particles.The overall aim of this thesis was to describe within-city spatial variations in newly-developed measures of particle composition and toxicity (including multiple measures of particle oxidative potential as well as a measure of exposure to magnetite nanoparticles) across Canadian urban areas and to assess their effects on long-term health outcomes.To accomplish this aim, we completed three objectives that constitute the body of this manuscript-based thesis.In Objective 1, we conducted monitoring campaigns at 124 sites in Montreal and 110 sites in Toronto, Canada to collect pollutant data, and developed land-use regression models to predict the spatial distributions of PM2.5 oxidative potential, production of reactive oxygen species, and magnetite nanoparticles.We used Bayesian lasso regression models with land-use characteristics from Geographic Information Systems databases to predict pollutant measures at unobserved points in order to create high-resolution exposure surfaces.We observed high spatial variability of oxidative potential measures (coefficients of variation 42.0-66.0%)and magnetite (coefficients of variation 69.7-75.4%)within each city relative to PM2.5 mass concentration (coefficients of variation 24.3-30.8%).Multivariable land-use regression models predicted elevated concentrations of oxidative potential, reactive oxygen species generation, and magnetite around highways, railways, and road intersections.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».