Satellite-Based Exposure Model for Predicting Fine Particulate Matter (PM2.5) to Assess its Role on the Incidence of Acute Lower Respiratory Infections (ALRI) in Infants of Rural Bangladesh
Notice bibliographique
Résumé
Ambient fine particulate matter (PM2.5) has been shown to increase the risk of Acute Lower Respiratory Infections (ALRI), the burden for which is much higher in children of low-and middle-income countries (LMICs) such as Bangladesh where poor air quality is a significant public health concern. One challenge in assessing health effects associated with PM2.5 in LMICs is quantifying exposures for affected populations as measurement data are sparse. To address this issue, spatiotemporal regression and machine learning models that leveraged satellite observations of Aerosol Optical Depth (AOD) and meteorology to predict daily PM2.5 exposures between 2017 and 2021 at the georeferenced residential locations of children that were part of the Bangladesh Cook Stove Pregnancy Cohort Study (BCSPCS) were developed. The eXtreme Gradient Boosting (XGB) Machine Learning Model showed superior predictive performance in validation tests. Predicted exposures linked to the BCSPCS revealed that children having ALRI were exposed to statistically significantly higher PM2.5 than those without ALRI. This thesis demonstrates the feasibility of using satellite-AOD derived PM2.5 exposures to study health effects in LMICs and shows that poor air quality is a significant risk factor for the development of childhood ALRI.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».