Key points are not available for this paper at this time.
Distinguer les effets des différents composants de matière particulaire fine (PMC) est crucial pour atténuer leurs effets sur la santé humaine. Cependant, la distribution sparse des lieux où le PM est collecté pour l'analyse des composants rend difficile l'investigation des effets sanitaires pertinents. Cette étude visait à examiner l'accord entre l'évaluation de l'exposition améliorée par fusion de données et les données de surveillance sur site pour estimer les effets des PMC sur le diabète gestationnel (DG). Nous avons d'abord amélioré la résolution spatiale et la précision de l'évaluation de l'exposition pour cinq principaux PMC (EC, OM, NO3–, NH4+ et SO42–) dans la région du delta de la rivière Perle grâce à un modèle de fusion de données qui combinait des entrées de multiples sources en utilisant un modèle de forêt aléatoire (R2 de validation croisée à 10 volets : 0,52 à 0,61 ; erreur quadratique moyenne : 0,55 à 2,26 μg/m3). Ensuite, nous avons comparé les associations entre les expositions aux PMC pendant la grossesse et le DG dans une cohorte hospitalière de 1148 femmes enceintes à Heshan, en Chine, en utilisant à la fois les données de surveillance sur site et les estimations du modèle de fusion de données. L'analyse comparative a montré que l'exposition basée sur la fusion de données générait des estimations plus solides pour identifier des disparités statistiques. Cette étude suggère que les estimations améliorées par fusion de données peuvent améliorer l'évaluation de l'exposition et potentiellement atténuer la mauvaise classification de l'exposition de la population résultant de l'utilisation des données de surveillance sur site.
Wen et al. (mar,) ont étudié cette question.