Inégalité d'état de santé respiratoire chez le jeune enfant et exposition à la pollution de l'air
Bibliographic record
Abstract
Cet article étudie les effets différenciés de l'exposition des jeunes enfants à la pollution de l'air sur leur recours à des soins en lien avec les maladies respiratoires, en fonction du niveau de vie des parents et de facteurs de vulnérabilité liés à leur état de santé. Il s'appuie sur un appariement de bases de données administratives françaises, l'EDPSanté. Fondée sur une méthode quasi-expérimentale, cette étude met d'abord en évidence des effets significatifs sur les admissions aux urgences et la délivrance de médicaments contre les maladies respiratoires lors de chocs de pollution de l'air, supposés exogènes car liés à des inversions thermiques. En utilisant une approche de machine learning générique, elle met ensuite en évidence des effets hétérogènes d'un enfant à l'autre : ces effets sur le recours au soin affecteraient principalement 10% des jeunes enfants, caractérisés par une fragilité de leur santé à la naissance et un niveau de vie parental plus faible. Nos résultats indiquent que les politiques localisées de réduction de l'exposition à la pollution de l'air, si elles étaient ciblées prioritairement en fonction de la vulnérabilité particulière de certaines populations, pourraient être plus efficaces.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".