The analysis of asbestos count data with “nondetects”: The example of asbestos fiber concentrations in the lungs of brake workers
Notice bibliographique
Résumé
OBJECTIVES: In the analysis of tissue for asbestos fibers, some measurements may be below the analytical detection limit (nondetects). The use of maximum likelihood and survival analysis methods have been recommended to perform comparisons between subjects in the presence of nondetects. When the data consist of "counts" another method is useful. This method is discussed, and illustrated with an analysis of asbestos lung burden data among brake mechanics previously analyzed by other methods. METHODS: Statistical models for count data, namely Poisson and negative binomial regression, were used to compare the asbestos fiber concentrations in the lungs of brake mechanics with those of control subjects. The fit of the models was assessed with an analysis of residuals. RESULTS: The negative binomial regression models fit the data well. The concentrations of Quebec asbestos fibers in the lungs of the brake mechanics were significantly higher than in the control population. CONCLUSIONS: Helsel recommended the use of maximum likelihood and survival analysis methods to perform comparisons in the presence of nondetects. When analyzing asbestos fiber count data, or other count data arising in occupational or environmental health, the use of models such as the Poisson and negative binomial may be added to the analyst's toolbox. Benefits are that neither of these methods requires the substitution of arbitrary values for the nondetects and that programs for the computation of count data models are contained in popular statistical software packages.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».