MétaCan
Menu
Retour à la cohorte
Enregistrement W1574215089 · doi:10.2166/wh.2006.0002

Neurosensory effects of chronic exposure to arsenic via drinking water in Inner Mongolia: I. signs, symptoms and pinprick testing

2006· article· en· W1574215089 sur OpenAlexaff
Yanhong Li, Yajuan Xia, Kegong Wu, Linlin He, Zhixiong Ning, Bai-xiao Zhao, X. Chris Le, Richard K. Kwok, Michael T. Schmitt, Timothy J. Wade, Judy L. Mumford, David A. Otto

Notice bibliographique

RevueJournal of Water and Health · 2006
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHeavy Metal Exposure and Toxicity
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésArsenicInner mongoliaMedicineArsenic poisoningChemistryChina

Résumé

récupéré en direct d'OpenAlex

This study was designed to assess the effects of exposure to arsenic in drinking water on neurosensory function. A questionnaire including neurological signs and symptoms and a brief neurological exam consisting of pinprick testing of the arms and legs and knee-jerk test were administered to 321 residents of the Bamen region of Inner Mongolia, China. Arsenic in water was measured by hydride generation atomic fluorescence. Participants were divided into three exposure groups--low (non-detectible-20), medium (100-300) and high (400-700 microg/I) arsenic. Significant group differences were observed in pinprick scores for all four limbs. Results indicate that arsenic alters pinprick (pain) thresholds at well-water concentrations as low as 400 microg/l, well below the 1000 microg/l threshold for neurological effect specified by NRC (1999). Regression models suggest that a 50% increase in pinprick score is associated with a 71-159 ppb increase in arsenic concentration.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,536
Score d'incertitude au seuil0,300

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,233
Écart entre enseignants0,222 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Water and HealthMême sujetHeavy Metal Exposure and ToxicityTravaux en français237 207