| Revista: | Atmósfera |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000456591 |
| ISSN: | 0187-6236 |
| Autores: | Cervantes Martínez, Karla1 Riojas Rodríguez, Horacio1 Díaz Avalos, Carlos2 Moreno Macías, Hortensia3 López Ridaura, Ruy4 Stern, Dalia1 Acosta Montes, Jorge Octavio5 Texcalac Sangrador, José Luis1 |
| Instituciones: | 1Instituto Nacional de Salud Pública, Centro de Investigación en Salud Poblacional, Cuernavaca, Morelos. México 2Universidad Nacional Autónoma de México, Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, Ciudad de México. México 3Universidad Autónoma Metropolitana, Departamento de Economía, Ciudad de México. México 4Secretaría de Salud, Centro Nacional de Programas Preventivos y Control de Enfermedades, Ciudad de México. México 5Universidad Autónoma de Chihuahua, Facultad de Enfermería y Nutriología, Chihuahua. México |
| Año: | 2023 |
| Volumen: | 37 |
| País: | México |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico, descriptivo |
| Resumen en español | Los estudios epidemiológicos sobre los efectos de la contaminación del aire en México a menudo utilizan las concentraciones ambientales de los monitores más cercanos al hogar como indicadores de exposición, sin embargo, este enfoque ignora los gradientes espaciales de los contaminantes y asume que las personas no tienen movilidad dentro de la ciudad. Nuestro objetivo fue desarrollar modelos espaciales y temporales de alta resolución para predecir la exposición a largo plazo a PM2.5 y NO2 en una población de ~16 500 participantes de un estudio de Cohorte de Maestras Mexicanas (ESMaestras). Geocodificamos las direcciones de la casa y el trabajo de las participantes. Utilizando información de fuentes secundarias sobre variables geográficas y meteorológicas, así como otros contaminantes, ajustamos dos modelos aditivos generalizados para predecir las concentraciones mensuales de PM2.5 y NO2 en el periodo 2004-2019. Los modelos se evaluaron mediante validación cruzada de 10 iteraciones. Ambos mostraron una alta precisión predictiva con datos fuera de la muestra y no sobreajuste (CV RMSE = 0.102 para PM2.5 y CV RMSE = 4.497 para NO2). Los participantes estuvieron expuestos a un promedio mensual de 24.38 (6.78) µg m-3 de PM2.5 y 28.21 (8.00) ppb de NO2 durante el periodo de estudio. Estos modelos ofrecen una alternativa prometedora para estimar la exposición a PM2.5 y NO2 con alta resolución espaciotemporal para estudios epidemiológicos en la región del Valle de México |
| Resumen en inglés | Epidemiological studies on air pollution in Mexico often use the environmental concentrations of pollutants as measured by monitors closest to the home of participants as exposure proxies, yet this approach does not account for the space gradients of pollutants and ignores intra-city human mobility. This study aimed to develop high-resolution spatial and temporal models for predicting long-term exposure to PM2.5 and NO2 in ~16 500 participants from the Mexican Teachers’ Cohort study. We geocoded the home and work addresses of participants, and used secondary source information on geographical and meteorological variables as well as other pollutants to fit two generalized additive models capable of predicting monthly PM2.5 and NO2 concentrations during the 2004-2019 period. Both models were evaluated through 10-fold cross-validation, and showed high predictive accuracy with out-of-sample data and no overfitting (CV-RMSE = 0.102 for PM2.5 and CV-RMSE = 4.497 for NO2). Participants were exposed to a monthly average of 24.38 (6.78) µg m-3 of PM2.5 and 28.21 (8.00) ppb of NO2 during the study period. These models offer a promising alternative for estimating PM2.5 and NO2 exposure with high spatiotemporal resolution for epidemiological studies in the Mexico City Metropolitan Area |
| Disciplinas: | Geociencias |
| Palabras clave: | Ciencias de la atmósfera, Contaminación del aire, Modelos aditivos generalizados, Geocodificación, México |
| Keyword: | Atmospheric sciences, Geocoding, Mexico, Air pollution, Generalized additive models, Exposure assessment |
| Texto completo: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
