22455 research outputs found
Sort by
Stabilizing metastable lead-free double perovskite by morphological and molecular level dimensional reduction
Get PDFIn the field of perovskite solar cells, explorations of new lead-free double perovskite materials are of great interest to address toxicity issues of lead-based perovskites. Cs2AgBiBr6 is the first and the most-studied double perovskite material as a promising candidate for photovoltaic applications, owing to its long carrier lifetime and outstanding stability. However, reported PCEs of Cs2AgBiBr6 solar cells remain mostly around 3% due to the large indirect band gap of this material and other factors. Therefore, the expansion of absorption to the longer wavelengths is being pursued for double perovskite solar cells. To address this issue, general strategies are either searching for alternative combinations of central metal atoms to replace Ag-Bi or developing its iodide analogue. Some candidates with theoretically promising optoelectronic properties consist of metastable octahedra, which can not be synthesized as bulk crystals but can be stabilized by morphological or molecular level dimensional reduction.
In this thesis, we first reviewed the strategy of morphological level dimensional reduction. We summarized the latest advances of the synthesis methods for both lead-based and lead-free perovskite nanocrystals (PNCs). Stability is one of the critical issues for the possible commercialization of PNCs. We reviewed the crystal structural stability, interface-induced stability and environmental stability, such as oxygen, moisture, light and thermal stability. Moreover, strategies for encapsulation to protect PNCs were discussed. Importantly, various applications of the PNCs in optoelectronics, like solar cells, light-emitting diodes and photodetectors, were briefly presented. Finally, the challenges remaining for improving the stability of PNCs and an outlook towards possible directions in developing PNC-based devices with high performance and great operation durability were addressed.
In the second part of the thesis, we describe the synthesis of Cs2CuSbCl6 double perovskite nanocrystals (DPNCs) at ambient conditions by a facile and fast method, namely, a modified ligand-assisted reprecipitation (LARP) method. We chose methanol as solvent for precursor salts as it is less toxic and easily removed in contrast to widely-used dimethylformamide. Our computational structure search shows that the Cs2CuSbCl6 structure containing alternating [CuCl6]5- and [SbCl6]3- octahedral units is a metastable phase that is 30 meV/atom higher in energy compared to the ground state structure with [CuCl3]2- and [SbCl6]3- polyhedra. However, this metastable Cs2CuSbCl6 double perovskite structure can be stabilized through the solution-based nanocrystal synthesis. Using an anion-exchange method, Cs2CuSbBr6 DPNCs are obtained for the first time, featuring a narrow band gap of 0.9 eV. Finally, taking advantage of the solution processability of DPNCs, smooth and dense Cs2CuSbCl6 and Cs2CuSbBr6 DPNC films are successfully fabricated. Hence, we establish that these metastable Cs2CuSbCl6 and Cs2CuSbBr6 double perovskite structures can be successfully stabilized by morphological level dimensional reduction.
Besides searching for other metal combinations to enhance the optical absorption ability, replacing Br- with I- can significantly reduce the band gap of Cs2AgBiBr6 double perovskites. Unfortunately, Cs2AgBiI6 is unstable due to the lower formation energy of competing Cs3Bi2I9 but can also be stabilized by morphological level dimensional reduction. In this context, we prove that the metastable iodide analogue can also be stabilized by molecular level dimensional reduction, which implies introducing large hydrophobic organic cations into double perovskite structures and “cutting” the 3-dimensional structures normal to a certain axis to form 2-dimensional perovskites. Here, we report that both Ag-Bi-I and Cu-Bi-I systems are thermodynamically stable within the structures of (aromatic-O-linker-NH3)4AgBiI8 and (aromatic-O-linker-NH3)4CuBiI8, respectively, where the aromatic moiety is naphthalene or pyrene and the linker is ethyl or propyl. The intrinsic electronic challenges of double perovskites are investigated and the electronic anisotropy of two-dimensional perovskites is alleviated. With more extended conjugated systems, (pyrene-O-ethyl-NH3)4AgBiI8 was isolated from a total of eight new 2D double perovskites, exhibiting an electronic band structure forming a type IIb multiple quantum well system with favorable intraorganic layer arrangement for out-of-plane conductivity, leading to a photocurrent response ratio of almost three orders of magnitude under AM1.5G illumination. Finally, (pyrene-O-ethyl-NH3)4AgBiI8 was also integrated to construct the first pure n = 1 Ruddlesden-Popper 2D double perovskite solar cell featuring 2D layers parallel to the electrode substrate
Role of the Arabidopsis thaliana transcription factor BBX14 in retrograde and stress acclimation signaling pathways
Get PDFWeiterentwicklung der postmortalen mehrphasigen Computertomographie-Angiographie (PMCTA)
Get PDFModerne Bildgebungsverfahren haben unwiderruflichen Einzug auch in die Rechtsmedizin gehalten, sie schaffen erhebliche Fortschritte in der forensischen Dokumentation, Beurteilung und Rekonstruktion. Das Verfahren der mehrphasigen postmortalen Computertomographie-Angiographie (MPMCTA) erlaubt eine umfangreiche Diagnostik des Gefäßsystems aller relevanten Organsysteme und zugehöriger pathologischer Veränderungen und damit die Beurteilung forensisch bedeutender Gewalteinwirkungen und Behandlungsfehler (Grabherr 2011). Darüber hinaus ergeben sich Ansätze für die medizinische Ausbildung von Ärzten und Studenten zu Diagnostik, Interventionen und Anatomie. Die vorliegende Arbeit beschreibt eine Weiterentwicklung einer softwaregesteuerten Kopplung von Perfusionspumpe und invasiven Druckmessmethoden. Dadurch ist es unseres Wissens nach erstmals möglich, die während der MPMCTA auftretenden intravasalen Drücke kontinuierlich zu messen und aufzuzeichnen
Die Höhe der arteriellen Drücke und die damit verbundene Dynamik erscheinen nicht geeignet Artefakte hervorzurufen, da beide Parameter deutlich unter den physiologischen und gegebenenfalls auch pathologischen Werten liegen, die beim Lebenden gemessen werden. Wesentliche postmortale Veränderungen der Biomechanik der Gefäße, bezogen auf ihre Reaktion auf Druckänderungen scheinen in dem hier beobachteten Intervall und unter Anwendung eines öligen Kontrastmittels zunächst keine Rolle zu spielen, im Gegenteil: Es ergibt sich eine erstaunlich gute Übereinstimmung mit Untersuchungen am Lebenden und auch mit Tierversuchen.
Es lassen sich mittels der kontrollierten Volumenzufuhr und des überwachten Drucks die Parameter evaluieren, die für eine optimale Visualisierung des Gefäßsystems bei der MPMCTA erforderlich sind. Die zunehmende Füllung des Gefäßsystems als Ganzes lässt sich über das Ansteigen der residualen arteriellen und venösen Drücke gut nachvollziehen. Das Druckverhalten bei Perfusion des arteriellen Schenkels erscheint uniform und reproduzierbar. Es spiegelt offenbar die mechanischen-physiologischen Eigenschaften der großen Arterien wider. Für das venöse System spiegeln sich die kapazitativen Eigenschaften deutlich wider, hier treten deutlich über der normalen Physiologie liegende Werte auf, die aber noch unter Werten liegen dürften, die bei gravierenden Stauungsphänomen auftreten.
Die Weiterentwicklung der MPMCTA zu einer druckkontrollierten Variante mit nochmals verbesserter Darstellung des Gefäßsystems, bis unter Umständen hin zur Gleichwertigkeit mit klinischen Untersuchungen, erscheint möglich, wobei hier ein konstanter arterieller Perfusionsdruck von 100 mmHg im Vordergrund stehen sollte.
Als Resümee lässt sich festhalten, dass mit den intravasalen Druckmessungen während der PMCTA zahlreiche neue Fragestellungen beantwortbar erscheinen, die zu einer weiteren Verbesserung dieser Methode beitragen sollten. Bei bestimmen Fragestellungen der Perfusion bewegt man sich hierbei u.U. in Richtung einer Methode, die der konventionellen Autopsie in bestimmten Fallkonstellationen überlegen ist, da diese als destruktives Verfahren naturgemäß keine physiologischen bzw. biomechanischen Aspekte reproduzieren kann
Clustering in transformed feature spaces by analyzing distinct modes
Get PDFThe ability to extract valuable information from data is becoming increasingly relevant due to the growing number of available data sets. Since annotating data is very costly, methods that provide this information without any annotations are of particular interest.
However, so-called clustering methods, which identify groups of objects with similar characteristics, often run into problems when working with extensive data sets or data sets with numerous features.
Therefore, we require new methods that return high-quality results even when working with large, high-dimensional data.
A common practice is to accompany the clustering process with a dimensionality reduction, leading to a simplified data set consisting only of those features that contain valuable information for the cluster analysis. If this dimensionality reduction occurs through a linear transformation, it is usually referred to as subspace clustering. Here, intermediate clustering results can significantly influence the resulting features. This ability is in contrast to a simple, preceding dimensionality reduction. When discussing subspace clustering, one must distinguish between traditional methods that define a separate subspace for each cluster and those that create a common feature space for all clusters. In this dissertation, we only deal with common subspace approaches, as they preserve the comparability between the clusters. One can go one step further and create multiple common subspaces for multiple clustering results, which is the case with so-called non-redundant clustering methods. Applying those approaches is often challenging because suitable parameters for the dimensionalities of the subspaces and the number of clusterings and clusters per clustering have to be defined. We tackle this problem by using the current modes in each subspace to encode the data and apply the Minimum Description Length principle. Here, the model with the minimum encoding cost is assumed to be the best solution.
Existing modes are further analyzed by utilizing statistical modality tests, such as the Dip-test of unimodality. The Dip-test outputs a Dip-value that describes the deviation of an empirical cumulative distribution function to an arbitrary unimodal distribution. Using a novel transformation function, we can further state how likely a unimodal or multimodal distribution is to be present, which helps to interpret the Dip-value better. Due to the differentiability of this function, it is used to identify projection axes that show a high degree of multimodality within the clusters. Combining these axes, one obtains a lower-dimensional feature space containing the main modes within the data set, where each mode defines a separate cluster.
For complex data sets, there is a need for more powerful processes than linear transformations to obtain suitable feature spaces for clustering. Non-linear transformations using neural networks are often applied in these cases. The combination of clustering and neural networks is known as deep clustering.
Such methods directly integrate the clustering approach into the optimization function of, e.g., an autoencoder. Once again, the problem arises of selecting a suitable value for the number of clusters. A solution is to overestimate the initial number of clusters deliberately and, based on the current modalities obtained by the Dip-test, decide whether two clusters can be merged. The embedding then adapts to the existing clustering structure. As a result, the number of clusters does not have to be known in advance but is learned by the algorithm.
Further analyses show that the Dip-test can be directly used to optimize an autoencoder. For this purpose, we utilize the gradient of the Dip-test to train the parameters of an autoencoder and identify high-quality clustering results. Thus, no specific distribution function for the embedded data must be assumed apriori. The only assumption is that each cluster adopts a unimodal and each pair of clusters a multimodal structure, which is a relaxation compared to established methods.
The described approaches fulfill their goal of identifying informative structures in large, high-dimensional data sets without requiring any annotations. Compared to competitor methods, they achieve state-of-the-art results, while the parameterization is greatly simplified. All methods presented in this thesis are provided in our open-source package ClustPy.Die Fähigkeit wertvolle Informationen aus Daten zu extrahieren, wird aufgrund der wachsenden Anzahl an verfügbaren Datensätzen immer wichtiger. Da die Annotation von Daten sehr kostspielig ist, sind insbesondere Methoden interessant, die diese Informationen ohne vordefinierte Annotationen ausgeben.
Sogenannten Clustering-Methoden, die automatisiert Gruppen von Objekten mit ähnlichen Charakteristiken identifizieren, stoßen jedoch häufig beim Arbeiten mit sehr großen Datensätzen oder Datensätzen mit einer Vielzahl von Merkmalen auf Probleme.
Es werden daher neue Methoden benötigt, die auch bei großen, hochdimensionalen Daten qualitativ hochwertige Ergebnisse liefern.
Eine gängige Praxis ist es, den Clustering-Prozess mit einer Dimensionsreduktion zu kombinieren. Dies führt zu einem vereinfachten Datensatz, der nur aus denjenigen Merkmalen besteht, die wertvolle Informationen für die Clusteranalyse enthalten. Erfolgt diese Reduktion der Dimensionen durch eine lineare Transformation, so spricht man vom Subspace Clustering. Im Gegensatz zu einer einfachen, vorangehenden Dimensionsreduktion können beim Subspace Clustering die Zwischenergebnisse des Clusterings die resultierenden Merkmale erheblich beeinflussen. Bei der Betrachtung vom Subspace Clustering muss man zwischen traditionellen Methoden, die für jedes Cluster einen eigenen Unterraum definieren, und solchen, die einen gemeinsamen Merkmalsraum für alle Cluster erstellen, unterscheiden. In dieser Dissertation befassen wir uns nur mit Subspace Verfahren, die einen einzelnen Unterraum erstellen, da sie eine bessere Vergleichbarkeit zwischen den Clustern bieten. Man kann noch einen Schritt weiter gehen und mehrere solcher Unterräume für mehrere Clustering-Ergebnisse erstellen. Dies ist bei sogenannten nicht-redundanten Clustering-Methoden der Fall. Die Ausführung dieser Ansätze ist oft eine Herausforderung, da geeignete Parameter für die Dimensionalität der Unterräume und die Anzahl der Clusterings und Cluster pro Clustering definiert werden müssen. Wir gehen dieses Problem an, indem wir die aktuellen Modi in jedem Unterraum zur Kodierung der Daten verwenden und das Minimum Description Length Prinzip anwenden. Dabei wird angenommen, dass das Modell mit den geringsten Kodierungskosten die beste Lösung darstellt.
Vorhandene Modi werden ebenfalls durch statistische Modalitätstests, wie dem Dip-Test der Unimodalität, analyisert. Der Dip-Test liefert einen Dip-Wert, der den Abstand zwischen einer empirische Verteilungsfunktion zu einer beliebigen unimodalen Verteilung angibt. Mithilfe einer neuartigen Transformationsfunktion können wir außerdem angeben, wie wahrscheinlich es ist, dass eine unimodale oder multimodale Verteilung vorliegt, wodurch der Dip-Wert besser interpretierbar ist. Aufgrund der Differenzierbarkeit dieser Funktion wird sie weiter dazu verwendet, Projektionsachsen zu identifizieren, die einen hohen Grad an Multimodalität innerhalb der vorhandenen Cluster aufweisen. Kombiniert man diese Achsen, erhält man einen niedrigdimensionalen Merkmalsraum, der die wesentlichen Modi innerhalb des Datensatzes enthält, wobei jeder Modus ein eigenes Cluster definiert.
Für komplexe Datensätze benötigen wir leistungsfähigere Verfahren als lineare Transformationen, um geeignete Merkmalsräume für das Clustering zu erhalten. Nichtlineare Transformationen unter Verwendung neuronaler Netze werden häufig in diesen Fällen angewandt. Diese Kombination aus Clustering und neuronalen Netzen wird als Deep Clustering bezeichnet.
Solche Methoden integrieren den Clustering-Vorgang direkt in die Optimierungsfunktion bspw. eines Autoencoders. Auch hier stellt sich das Problem, einen geeigneten Wert für die Anzahl der Cluster zu wählen. Eine Lösung besteht darin, die anfängliche Anzahl der Cluster bewusst zu überschätzen und auf der Grundlage der aktuellen Modalitäten, die durch den Dip-Test ermittelt werden, zu entscheiden, ob zwei Cluster zusammengefasst werden können. Das Embedding passt sich dann an die vorhandene Clusterstruktur an. Dadurch muss die Anzahl der Cluster nicht im Voraus bekannt sein, sondern wird vom Algorithmus selbstständig erlernt.
Weitere Analysen zeigen, dass der Dip-Test direkt zum Optimieren eines Autoencoders verwendet werden kann. Hierzu nutzen wir den Gradienten des Dip-Tests zum Trainieren der Parameter eines Autoencoders und für die Identifikation hochwertiger Clustering-Ergebnisse. Es muss keine spezifische Verteilungsfunktion für die transformierten Daten vorausgesetzt werden. Die einzige Annahme ist, dass jedes Cluster eine unimodale und jedes Clusterpaar eine multimodale Struktur annimmt. Dies stellt eine Reduzierung der Annahmen gegenüber etablierten Methoden dar.
Die beschriebenen Ansätze erfüllen ihr Ziel, informative Strukturen in großen, hochdimensionalen Datensätzen zu identifizieren, ohne dass Annotationen erforderlich sind. Im Vergleich zu konkurrierenden Methoden erzielen sie sehr gute Ergebnisse, wobei die Parametrisierung stark vereinfacht ist.
Alle in dieser Arbeit vorgestellten Verfahren, werden durch unser Open-Source-Paket ClustPy bereitgestellt
On robust asset allocation
Get PDFThis dissertation offers a multifaceted examination of robust asset allocation strategies in the context of financial portfolio management, a subject of paramount importance and great interest to investors seeking to navigate the intricacies and complexities of modern financial markets, with significant implications for both academic research and practical applications. The field intersects various disciplines, including finance, economics, mathematics, statistics, computer science, and behavioral psychology. As such, it presents a unique and compelling opportunity for innovative and multidisciplinary approaches to portfolio management, opening avenues for new research and applications.
The initial chapter provides an introduction to the topic, defining the term robustness in the context of financial portfolio management as the ability of a portfolio to perform well under a variety of perturbations. It also highlights the various facets of robust asset allocation, including statistical robustness, computational robustness, model robustness, and more, each being highlighted for its critical importance in the broader context of effective portfolio management. This chapter also sets the stage for the dissertation by providing a comprehensive introduction for each essay included, describing the motivation, notation, and key contributions of each research article.
The body of the dissertation comprises several contributing essays. The first essay revisits Harry Markowitz's pioneering portfolio construction model. It demonstrates how extending this foundational model with practically relevant constraints and an explicit formulation of uncertainty in forecasting return statistics can address many of the alleged shortcomings of the original model. The second essay introduces an innovative domain-specific language, designed to simplify solving convex-concave saddle problems. This language has direct and significant applications in the realm of robust optimization, offering a new tool for researchers and practitioners alike. The third essay focuses on the area of robust bond portfolio construction, providing advanced methods for assessing and optimizing bond portfolios under a variety of market conditions, adding depth to this important area of portfolio management. The fourth essay concerns itself with computational methods in the field of behavioral finance. It presents novel approaches for portfolio optimization, using cumulative prospect theory utility to effectively integrate investor behavior and preferences into portfolio construction, thus bridging the gap between theory and practical investor behavior. The final essay serves as a bridge between traditional statistical methods and contemporary deep learning techniques. It introduces the Autoregressive Moving Average (ARMA) cell as a novel component for neural autoregressive modeling, thereby significantly expanding the toolkit available for robust forecasting in various applications, including financial forecasting.
In summary, this dissertation contributes to multiple dimensions in the field of robust asset allocation. It provides not only comprehensive theoretical insights and practical applications but also fosters a collaborative environment for continued innovation and development in this dynamically evolving field. The inclusion of open-source software with each research contribution greatly enhances the practical utility of the work. This ensures that the insights and methodologies developed can be readily applied and extended in both academic and industry settings, and thus have the potential to make a lasting impact on the field.Diese Dissertation stellt eine umfassende Untersuchung von robusten Anlagestrategien im Kontext des Finanzportfolio-Managements dar, einem Thema von höchster Bedeutung und großem Interesse für Investoren im Hinblick auf die Herausforderungen und Komplexitäten moderner Finanzmärkte. Dies hat bedeutende Implikationen sowohl für die akademische Forschung als auch für praktische Anwendungen. Das Feld überschneidet sich mit verschiedenen Disziplinen, darunter Finanz- und Wirtschaftswissenschaften, Mathematik, Statistik, Informatik und Verhaltenspsychologie, und bietet somit eine einzigartige Gelegenheit für innovative und multidisziplinäre Ansätze im Portfolio-Management, die neue Wege für Forschung und Anwendungen eröffnen.
Das einleitende Kapitel bietet eine Einführung in das Thema und definiert den Begriff der Robustheit im Kontext des Finanzportfolio-Managements als die Fähigkeit eines Portfolios, unter einer Vielzahl von Marktveränderungen hinreichend gute Renditecharakteristiken zu erzielen. Es beleuchtet auch die verschiedenen Facetten der robusten Vermögensallokation, wie statistische Robustheit, rechnerische Robustheit, Modellrobustheit und mehr, wobei die kritische Bedeutung jedes Aspekts im Gesamtkontext eines effektiven Portfoliomanagements hervorgehoben wird. Zudem setzt dieses Kapitel den Rahmen für die gesamte Dissertation, indem es eine umfassende Einführung in jeden einzelnen Aufsatz bietet und die Motivation, Notation und die wesentlichen Beiträge beschreibt.
Der Hauptteil der Dissertation setzt sich aus den beitragenden Aufsätzen zusammen. Der erste Aufsatz knüpft an das einflussreiche Portfoliokonstruktionsmodell von Harry Markowitz an und zeigt auf, wie praktisch relevante Nebenbedingungen sowie eine explizite Modellierung der Unsicherheiten in der Renditeprognose die vermeintlichen Schwächen des Ansatzes adressieren können. Der zweite Aufsatz führt eine domänenspezifische Sprache zur Vereinfachung der Lösung von konvex-konkaven Sattelpunktproblemen ein, welche direkte Anwendungen im Bereich der robusten Optimierung findet und ein neues Werkzeug für Industrie und Forschung darstellt. Der dritte Aufsatz widmet sich dem Bereich des robusten Anleihenportfolio-Managements und entwickelt innovative Methoden zur Bewertung und Optimierung von Anleihenportfolios unter verschiedenen Marktbedingungen. Der vierte Aufsatz beschäftigt sich mit computergestützten Methoden in der verhaltensorientierten Finanzwissenschaft. Er präsentiert neuartige Ansätze für die Portfoliooptimierung, die auf der cumulative prospect theory basieren, wodurch das Verhalten und die Präferenzen von Investoren effektiv in die Portfoliokonstruktion integriert werden und somit einen Beitrag zur Annäherung von Theorie und praktischem Investorenverhalten leisten. Der letzte Aufsatz vereint traditionelle statistische Methoden und moderne Deep-Learning-Techniken. Er führt die Autoregressive Moving Average (ARMA)-Zelle als eine neue Komponente für neuronales autoregressives Modellieren ein, was die verfügbaren Methoden für robuste Prognosen in verschiedenen Anwendungen, einschließlich der Finanzprognose, wesentlich erweitert.
Zusammenfassend leistet diese Dissertation Beiträge zu mehreren Aspekten der robusten Vermögensallokation. Sie bietet nicht nur umfassende theoretische Einsichten und praktische Anwendungen, sondern fördert auch eine kollaborative Umgebung für weitere Innovationen und Entwicklungen in diesem dynamischen Feld. Die Bereitstellung von Open-Source-Software zu jedem Forschungsbeitrag erhöht die praktische Relevanz der Arbeit erheblich, sodass neue Erkenntnisse und entwickelte Methodologien problemlos sowohl in akademischen als auch in industriellen Umgebungen angewendet und erweitert werden können, und somit das Potenzial haben, nachhaltige Auswirkungen auf das Feld zu haben
Der Effekt vom intravenösen Glu-Plasminogen auf Cholesterinkristallembolie-bedingte thrombotische Angiopathie und akute Nierenschädigung
Get PDF
Long-term exposure to environmental factors and risk of metabolic disorders in children
Get PDFEpidemiological studies have yielded evidence that environmental pollution can adversely influence human metabolic health, including conditions such as diabetes and obesity. However, the existing literature has mainly focused on adults or the elderly, leaving a gap in the knowledge about the risks in children. Moreover, potential mechanisms through which early-life exposures may affect children’s metabolism require more evidence. To address this gap, the main objective of this research work was to explore associations between exposure to environmental factors and the risk of metabolic disorders during early childhood, using data from a large-scale public health screening of children in Bavaria, Germany.
Long-term exposure estimates of air pollutants, air temperature, greenness, and light at night for each participant’s residence were assessed using high-resolution data from reliable sources. Two important aspects of children’s health were studied in this thesis. In the first publication, a novel approach was employed to investigate the associations between prenatal and early life exposure to air pollution, air temperature, and surrounding greenness, and the development of islet autoimmunity (a crucial precursor of type 1 diabetes). This study used high temporal-spatial resolution data to examine different exposure windows in 85,251 children at the zip code level and 52,636 children at the residential level, all aged between 1.75 and 5.99 years. The results showed a higher risk of islet autoimmunity with decreasing air temperature. In the second publication, the effects of outdoor artificial light at night on body mass were investigated among 62,212 children younger than 11 years, and the analyses revealed significant positive associations, with the effects being more pronounced in boys.
In conclusion, this thesis significantly advances our understanding of the adverse health impacts of environmental factors on children’s metabolic health. While affirming prior research findings, it also introduces novel evidence and strengthens the existing body of knowledge. This study stands as one of the first to examine the effects of a wide range of environmental factors on children’s metabolic health. Nevertheless, further research is needed to gain a deeper understanding of the associations and to explore the underlying mechanisms. Moreover, the different geographic regions with different exposure patterns and with the incorporation of behavioral and lifestyle data. impacts of environmental factors on children’s health should be further investigated across different geographic regions with different exposure patterns and with the incorporation of behavioral and lifestyle data.Epidemiologische Studien haben gezeigt, dass sich Umweltverschmutzung negativ auf die menschliche Stoffwechselgesundheit auswirken kann, einschließlich Erkrankungen wie Diabetes und Adipositas. Die vorhandene Literatur konzentriert sich jedoch hauptsächlich auf Erwachsene oder ältere Menschen, so dass eine Wissenslücke bzgl. der Risiken bei Kindern besteht. Auch die potenziellen Mechanismen, durch die frühkindliche Expositionen den Stoffwechsel von Kindern beeinflssen können, benötigenweiter evidenz. Um diese Lücke zu schließen, bestand das Hauptziel dieser Forschungsarbeit darin, Zusammenhänge zwischen der Exposition gegenüber Umweltfaktoren und dem Risiko von Stoffwechselstörungen in der frühen Kindheit zu untersuchen. Hierzu wurden Daten aus einem groß angelegten Public Health Screening von Kindern in Bayern verwendet wurden.
Anhand von hochauflösenden Daten aus zuverlässigen Quellen wurden für den Wohnort jedes Teilnehmenden Langzeitexpositionsschätzungen für Luftschadstoffe, Lufttemperatur, Grünflächen und Lichtexposition bei Nacht abgeschätzt.
Im Rahmen dieser Forschung wurden zwei wichtige Aspekte der Gesundheit von Kindern untersucht. In der ersten Veröffentlichung wurden ein innovativer Ansatz verfolgt, der die Untersuchung verscgidener Expositionszeitfenster mit hochauflösenden zeitlich-räumlichen Daten einschloss. Dieser ansatz diente dazu, die Zusammenhänge zwischen vorgeburtlicher und frühkindlicher Exposition gegenüber Luftschadstoffen, Lufttemperatur, und Grünheit, und der Autoimmunität der Inselzellen (eine entscheidende Vorstufe von Typ-1-Diabetes) bei 85,251 Kindern auf Postleitzahl- und bei 52,636 Kindern auf Wohngebietsebene im Alter zwischen 1.75 und 5.99 Jahren untersucht. Die Ergebnisse zeigten ein höheres Risiko für Inselzellen-Autoimmunität mit abnehmender Lufttemperatur. In der zweiten Veröffentlichung wurden die Auswirkungen von nächtlichem künstlichem Licht im Freien auf die Körpermasse von 62,212 Kindern im Alter von unter 11 Jahren untersucht. Die Analysen ergaben signifikante positive Zusammenhänge, wobei die Auswirkungen bei Jungen stärker ausgeprägt waren.
Zusammenfassend lässt sich sagen, dass diese Dissertation unser Verständnis für die negativen gesundheitlichen Auswirkungen von Umweltfaktoren auf die meabolische Gesundheit vn Kindern erheblich erweitert. Sie bestätigt frühere forschungsergebnisse und liefert darüer hinaus neue, die bestehendenErkentnisse Stärkende epidemiologische Evidenz. Diese Studie gehört zu den ersten, die die auswirkunken eines breiten spektrums von umweltfaktoren auf die metabolische Gesundheit von Kindern untersuchen. Dennoch ist weitere Forschung erfordlich, um ein tieferes Verständnis dieser Zusammenhänge zu erlangen und die zugrunde liegenden Mechanismen zu erforschen. Außerdem sollten die Auswirkungen von Umweltfaktoren auf die Gesundheit von Kindern in verschiedenen geografischen Regionen mit unterschiedlichen Expositionsmustern und unter Einbeziehung von Verhaltens- und Lebensstildaten weiter untersucht werden