Considering the potentially nonline

Considering the potentially nonlinear and lagged associations
between ambient temperature and adverse cardiovascular outcomes,
we used a distributed lag nonlinear model (DLNM) to estimate
the effects of temperature on OHCD mortality (Ma et al.,
2014). Specifically, to establish a “cross-basis” function of temperature
based on the DLNM, we used a natural cubic spline with 5 df
to account for the nonlinear effect of temperature, and also used a
natural cubic spline with 5 df to account for the lagged effects (lag
space) of temperature (Gasparrini, 2011). Because it is not easy to
determine the maximum lag of the effects, we alternatively used
multiple lag intervals including days 0e3, 0e7, 0e14 and 0e21. We
then introduced the “cross-basis” matrix of temperature into the
GAM. We further controlled for time trends (7 df per year in natural
functions) and day of the week, as well as the same-day air
pollutant concentrations (PM2.5 and O3). We first flexibly plotted
the relative risks (RRs) of the temperature-mortality association
curves. Then, we calculated the RR comparing the 1st percentile of
temperature to the minimum-mortality temperature (MMT) and
the RR comparing the 99th percentile of temperature to the MMT.
Further, to quantify these effects per an absolute change (1
C) in
temperature, we calculated them as the log-RR divided by the
range from the MMT to the corresponding temperature percentiles
(Ma et al., 2014). In brief, the cold effect was defined as the percent
increase in daily mortality per 1
C decrease below the MMT, and
the heat effect was defined as the percent increase in daily mortality
per 1
C increase above the MMT.
We also used the aforementioned models to analyze the effects
of air pollutants and temperature on IHCD mortality.
To explore the potential interactions between air pollution and
temperature on OHCD, we performed an analysis of the effects of
air pollution on OHCD stratified by different temperature levels, i.e.,
low temperature (75th
percentile).
We also conducted several sensitivity analyses to evaluate the
robustness of our results for the association between air pollution
and OHCD. First, we changed the df per year in the smoothness
function for time trend from 4 to 10. Second, we controlled for
longer temperature lags using the moving averages of the 0e3, 0e7
and 0e14 days. Third, we re-analyzed the data after excluding the
days with extremely high air pollution levels (above 95th
percentile).
All statistical tests were two-sided, and values of P < 0.05 were
considered statistically significant. All analyses were performed
using R software (version 3.1.2, R Foundation for Statistical
Computing, http://cran.r-project.org/) with the GAM fitted using
the “mgcv” package and the DLNM using the “dlnm” package.

Results (Thai) 1:

Considering the potentially nonlinear and lagged associationsbetween ambient temperature and adverse cardiovascular outcomes,we used a distributed lag nonlinear model (DLNM) to estimatethe effects of temperature on OHCD mortality (Ma et al.,2014). Specifically, to establish a “cross-basis” function of temperaturebased on the DLNM, we used a natural cubic spline with 5 dfto account for the nonlinear effect of temperature, and also used anatural cubic spline with 5 df to account for the lagged effects (lagspace) of temperature (Gasparrini, 2011). Because it is not easy todetermine the maximum lag of the effects, we alternatively usedmultiple lag intervals including days 0e3, 0e7, 0e14 and 0e21. Wethen introduced the “cross-basis” matrix of temperature into theGAM. We further controlled for time trends (7 df per year in naturalfunctions) and day of the week, as well as the same-day airpollutant concentrations (PM2.5 and O3). We first flexibly plottedthe relative risks (RRs) of the temperature-mortality associationcurves. Then, we calculated the RR comparing the 1st percentile oftemperature to the minimum-mortality temperature (MMT) andthe RR comparing the 99th percentile of temperature to the MMT.Further, to quantify these effects per an absolute change (1
C) intemperature, we calculated them as the log-RR divided by therange from the MMT to the corresponding temperature percentiles(Ma et al., 2014). In brief, the cold effect was defined as the percentincrease in daily mortality per 1
C decrease below the MMT, andthe heat effect was defined as the percent increase in daily mortalityper 1
C increase above the MMT.We also used the aforementioned models to analyze the effectsof air pollutants and temperature on IHCD mortality.To explore the potential interactions between air pollution andtemperature on OHCD, we performed an analysis of the effects ofair pollution on OHCD stratified by different temperature levels, i.e.,low temperature (<25th percentile), moderate temperature (between25th and 75th percentiles) and high temperature (>75thpercentile).We also conducted several sensitivity analyses to evaluate therobustness of our results for the association between air pollutionand OHCD. First, we changed the df per year in the smoothnessfunction for time trend from 4 to 10. Second, we controlled forlonger temperature lags using the moving averages of the 0e3, 0e7and 0e14 days. Third, we re-analyzed the data after excluding thedays with extremely high air pollution levels (above 95thpercentile).All statistical tests were two-sided, and values of P < 0.05 wereconsidered statistically significant. All analyses were performedusing R software (version 3.1.2, R Foundation for StatisticalComputing, http://cran.r-project.org/) with the GAM fitted usingthe “mgcv” package and the DLNM using the “dlnm” package.

Results (Thai) 2:

เมื่อพิจารณาถึงความสัมพันธ์ที่อาจเกิดขึ้นไม่เป็นเชิงเส้นและ lagged
ระหว่างอุณหภูมิหัวใจและหลอดเลือดและผลที่ไม่พึงประสงค์
ที่เราใช้ในการกระจายความล่าช้ารูปแบบเชิงเส้น (DLNM) ที่จะประเมิน
ผลกระทบของอุณหภูมิต่อการตาย OHCD (Ma et al.,
2014) โดยเฉพาะอย่างยิ่งในการสร้าง "ข้ามพื้นฐาน" ฟังก์ชันของอุณหภูมิ
ขึ้นอยู่กับ DLNM เราใช้เส้นโค้งลูกบาศก์ธรรมชาติที่มี 5 DF
บัญชีสำหรับผลกระทบเชิงเส้นของอุณหภูมิและยังใช้
เส้นโค้งลูกบาศก์ธรรมชาติที่มี 5 DF บัญชีสำหรับ ผลกระทบ lagged (ล่าช้า
พื้นที่) อุณหภูมิ (Gasparrini 2011) เพราะมันไม่ง่ายที่จะ
ตรวจสอบความล่าช้าสูงสุดของผลกระทบที่เราหรือใช้
ช่วงเวลาที่ล่าช้าหลายแห่งรวมถึงวัน 0e3, 0e7, 0e14 และ 0e21 เรา
จึงแนะนำ "ข้ามพื้นฐาน" เมทริกซ์ของอุณหภูมิเข้า
GAM เราควบคุมต่อไปสำหรับแนวโน้มเวลา (7 DF ต่อปีในธรรมชาติ
ฟังก์ชั่น) และวันของสัปดาห์เช่นเดียวกับอากาศในวันเดียวกัน
ความเข้มข้นของสารมลพิษ (PM2.5 และ O3) พล็อตแรกที่เรามีความยืดหยุ่น
ความเสี่ยงสัมพัทธ์ (RRs) ของสมาคมอุณหภูมิการตายของ
เส้นโค้ง จากนั้นเราคำนวณ RR เปรียบเทียบร้อยละ 1 ของ
อุณหภูมิอุณหภูมิต่ำสุด-การตาย (ล้านตัน) และ
RR เปรียบเทียบร้อยละ 99 อุณหภูมิจะ MMT.
นอกจากนี้ปริมาณผลกระทบเหล่านี้ต่อการเปลี่ยนแปลงแน่นอน (1 องศาเซลเซียส) ใน
อุณหภูมิที่เราคำนวณพวกเขาเป็น RR เข้าสู่ระบบโดยแบ่ง
ช่วงจาก MMT เพื่อเปอร์เซนต์อุณหภูมิที่สอดคล้องกัน
(Ma et al., 2014) ในช่วงสั้น ๆ ที่มีผลเย็นถูกกำหนดเป็นร้อยละ
ที่เพิ่มขึ้นในอัตราการตายในชีวิตประจำวันต่อ 1 องศาเซลเซียสลดลงด้านล่าง MMT และ
ผลความร้อนถูกกำหนดเป็นอัตราการตายเพิ่มขึ้นในทุกวันร้อยละ
ต่อ 1? C เพิ่มขึ้นดังกล่าวข้างต้น MMT.
นอกจากนี้เรายังใช้ รุ่นดังกล่าวในการวิเคราะห์ผลกระทบ
ของมลพิษทางอากาศและอุณหภูมิต่อการตาย IHCD.
เพื่อสำรวจศักยภาพการมีปฏิสัมพันธ์ระหว่างมลพิษทางอากาศและ
อุณหภูมิที่มีต่อ OHCD เราดำเนินการวิเคราะห์ผลกระทบของ
มลพิษทางอากาศใน OHCD แบ่งตามระดับอุณหภูมิที่แตกต่างกันกล่าวคือ
อุณหภูมิต่ำ (<ร้อยละ 25) อุณหภูมิปานกลาง (ระหว่าง
วันที่ 25 และ 75 เปอร์เซนต์) และอุณหภูมิสูง (> 75
เปอร์เซ็นต์).
นอกจากนี้เรายังดำเนินการวิเคราะห์ความไวหลายในการประเมิน
ความทนทานของผลของเราสำหรับความสัมพันธ์ระหว่างมลพิษทางอากาศ
และ OHCD ครั้งแรกที่เรามีการเปลี่ยนแปลงคำสั่ง df ต่อปีในความเรียบเนียน
ฟังก์ชั่นสำหรับแนวโน้มระยะเวลาตั้งแต่วันที่ 4 ถึง 10 ประการที่สองเราควบคุม
อุณหภูมิล่าช้าอีกต่อไปโดยใช้ค่าเฉลี่ยเคลื่อนที่ของ 0e3, 0e7
และ 0e14 วัน ประการที่สามเราอีกครั้งวิเคราะห์ข้อมูลหลังจากที่ไม่รวม
วันที่มีอากาศสูงมากระดับมลพิษ (สูงกว่า 95
เปอร์เซ็นต์).
ทั้งหมดการทดสอบทางสถิติทั้งสองด้านและค่านิยมของ P <0.05 ได้รับ
การพิจารณาอย่างมีนัยสำคัญทางสถิติ การวิเคราะห์ทั้งหมดถูกดำเนินการ
โดยใช้ซอฟต์แวร์ R (เวอร์ชั่น 3.1.2, มูลนิธิเพื่อการวิจัยทางสถิติ
คอมพิวเตอร์ http://cran.r-project.org/) กับ GAM พอดีโดยใช้
"mgcv" แพคเกจและ DLNM ใช้ "dlnm" บรรจุภัณฑ์

Results (Thai) 3:

พิจารณาและอาจแบบล้าหลัง สมาคม
ระหว่างอุณหภูมิห้องและไม่พึงประสงค์หัวใจและหลอดเลือดผลลัพธ์
เราใช้ Distributed Lag แบบไม่เชิงเส้น ( dlnm ) ประมาณการ
ผลของอุณหภูมิต่ออัตราการตาย ohcd ( ma et al . ,
2014 ) โดยเฉพาะ เพื่อสร้าง " ข้ามพื้นฐาน " ฟังก์ชันของอุณหภูมิ
ตาม dlnm เราใช้ธรรมชาติเส้นโค้งกับ DF
5 ลูกบาศก์บัญชีสำหรับการไม่เชิงเส้นผลของอุณหภูมิ และยังใช้
ธรรมชาติลูกบาศก์สลักด้วย 5 df เพื่อให้บัญชีย้อนหลังผล ( ล้าหลัง
พื้นที่ ) อุณหภูมิ ( gasparrini , 2011 ) เพราะมันไม่ง่ายที่จะ
ตรวจสอบความล่าช้าของผลสูงสุด เราสามารถใช้ช่วงเวลาล้าหลังหลายแห่งรวมถึงวัน
0e3 0e7 0e14 , และ , 0e21 . เรา
งั้นแนะนำ " ข้ามพื้นฐาน " เมทริกซ์ของอุณหภูมิใน
กัม เรายังควบคุมแนวโน้มเวลา ( 7 เฉลี่ยต่อปีในธรรมชาติ
ฟังก์ชั่น ) และวันของสัปดาห์ รวมทั้งวันที่อากาศมลพิษ ( pm2.5 O3
( และ ) เรายืดหยุ่นวางแผน
ความเสี่ยงสัมพัทธ์ ( rrs ) ของสมาคม
ตายอุณหภูมิเส้นโค้ง งั้น เราคำนวณเปรียบเทียบ RR 1 เปอร์เซ็นต์ของ
อุณหภูมิอุณหภูมิอัตราการตายต่ำสุด ( MMT ) และ
RR เปรียบเทียบ 99% ของอุณหภูมิกับ MMT .
เพิ่มเติม ที่มีผล ต่อ การเปลี่ยนแปลงที่แน่นอน ( 1
C )
อุณหภูมิที่เราคำนวณไว้เป็นบันทึก RR แบ่งโดย
ช่วงจาก MMT ในเปอร์เซ็นต์ที่อุณหภูมิ
( ma et al . , 2010 ) สรุป ผลเย็นที่กำหนดไว้ร้อยละ
เพิ่มอัตราการตายทุกวัน ต่อ 1
C ลดลงด้านล่าง MMT และ
ความร้อนต่อกำหนดเป็นร้อยละที่เพิ่มขึ้นในอัตราการตายทุกวัน
1
C เพิ่มขึ้นเหนือ MMT .
เรายังใช้รุ่นดังกล่าวไปวิเคราะห์ผล
สารมลพิษอากาศและอุณหภูมิต่ออัตราการตาย ihcd .
เพื่อศึกษาปฏิสัมพันธ์ที่มีศักยภาพ ระหว่างอากาศและอุณหภูมิบน ohcd
,เราทำการวิเคราะห์ผลกระทบของมลพิษทางอากาศ โดย ohcd
แบ่งระดับอุณหภูมิที่แตกต่างกันเช่น
อุณหภูมิต่ำ ( < 25 เปอร์เซ็นต์ ) , อุณหภูมิปานกลาง ( ระหว่าง
25 75 เปอร์เซ็นต์และ ) และอุณหภูมิสูง ( >

75 เปอร์เซ็นต์ ) นอกจากนี้เรายังดำเนินการหลายไววิเคราะห์ประเมิน
ความคึกคักของผลลัพธ์สำหรับความสัมพันธ์ระหว่าง
มลพิษทางอากาศและ ohcd . ครั้งแรก