MARC

 008240221s2023        ulk                      00        kor
■001000016932199
■00520240214100426
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379603892
■035    ▼a(MiAaPQ)AAI30489536
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a613
■1001  ▼aColonna,  Kyle  J.  .▼0(orcid)0000-0003-0194-214X
■24510▼aRisk,  Uncertainty,  and  Decision  Making:  Insights  from  Ambient  PM2.5  and  COVID-19  Case  Studies▼h[electronic  resource]
■260    ▼a[S.l.]▼bHarvard  University.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(161  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Evans,  John  S.  .
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aRisk  assessment  is  the  art  and  science  of  estimating  risk  based  on  the  evidence  which  is  currently  available.  It  seeks  to  characterize  the  state  of  knowledge  and,  to  the  extent  possible,  produce  probabilistic  estimates  of  risk  which  provide  decision  makers  with  a  sense  of  what  is  known  and  how  well  it  is  known.  Such  information  allows  decision  makers  to  formally  consider  the  tradeoffs  between  acting  now  based  on  imperfect  information  and  delaying  decisions  to  allow  research  studies  (with  the  potential  for  reducing  uncertainty)  to  be  designed,  conducted,  and  interpreted. Uncertainty  may  exist  because  of  the  unknowns  that  differ  each  time  we  run  the  same  experiment  (parameter  or  aleatory  uncertainty)  and/or  because  of  more  fundamental  questions  of  basic  science  (model  or  epistemic  uncertainty).  In  the  first  case,  characterization  of  uncertainty  using  well-developed  methods  of  frequentist  statistics  is  relatively  straightforward,  objective,  and  uncontroversial.  In  the  latter  case,  it  becomes  necessary  to  rely  on  formally  elicited  subjective  judgments  of  leading  experts  in  relevant  fields.In  chapter  1,  we  demonstrate  in  our  review  of  the  epidemiological  evidence  on  mortality  attributable  to  ambient  fine  particulate  matter  (PM2.5)  exposure  that  the  dominant  uncertainties  faced  in  efforts  to  estimate  risk  in  understudied  locations  are  epistemic  in  nature  -  e.g.,  what should  we  think  about  the  differential  toxicity  of  PM2.5  from  various  sources,  the  effect  modification  induced  by  various  population  characteristics,  and  what  should  we  conclude  about  the  sufficiency  of  evidence  that  the  observed  associations  reflect  causal  relationships.  In  chapter  2,  we  utilized  a  method  typically  employed  in  structured  expert  judgment,  the  Classical  Model,  to  assess  the  performance  of  probabilistic  mortality  forecasts  (i.e.,  judgments)  from  COVID-19  models  (i.e.,  experts).  We  concluded  that  this  method  has  the  potential  to  improve  both  public  health  decision  making  and  modeling  more  generally.  In  chapter  3,  we  conducted  a  research  study  that  aims  to  reduce  the  uncertainty  inherent  in  the  relationship  between  acute  exposure  to  ambient  PM2.5  and  the  risk  for  respiratory  disease  hospitalization  in  Kuwait,  a  region  that  is  understudied  and  has  very  high  PM2.5  concentration  levels,  in  an  effort  to  encourage  actions  to  reduce  exposure  and  minimize  potential  harm.
■590    ▼aSchool  code:  0084.
■650  4▼aEnvironmental  health.
■650  4▼aEpidemiology.
■653    ▼aAir  quality
■653    ▼aCausal  inference
■653    ▼aDifferential  toxicity
■653    ▼aEffect  modification
■653    ▼aForecasting
■653    ▼aCOVID-19
■690    ▼a0470
■690    ▼a0766
■71020▼aHarvard  University▼bPopulation  Health  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932199▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서