Time to revisit arsenic regulations: comparing drinking water and rice
Notice bibliographique
Résumé
BACKGROUND: Current arsenic regulations focus on drinking water without due consideration for dietary uptake and thus seem incoherent with respect to the risks arising from rice consumption. Existing arsenic guidelines are a cost-benefit compromise and, as such, they should be periodically re-evaluated. DISCUSSION: Literature data was used to compare arsenic exposure from rice consumption relative to exposure arising from drinking water. Standard risk assessment paradigms show that arsenic regulations for drinking water should target a maximum concentration of nearly zero to prevent excessive lung and bladder cancer risks (among others). A feasibility threshold of 3 μg As l(-1) was determined, but a cost-benefit analysis concluded that it would be too expensive to target a threshold below 10 μg As l(-1). Data from the literature was used to compare exposure to arsenic from rice and rice product consumption relative to drinking water consumption. The exposure to arsenic from rice consumption can easily be equivalent to or greater than drinking water exposure that already exceeds standard risks and is based on feasibility and cost-benefit compromises. It must also be emphasized that many may disagree with the implications for their own health given the abnormally high cancer odds expected at the cost-benefit arsenic threshold. SUMMARY: Tighter drinking water quality criteria should be implemented to properly protect people from excessive cancer risks. Food safety regulations must be put in place to prevent higher concentrations of arsenic in various drinks than those allowed in drinking water. Arsenic concentrations in rice should be regulated so as to roughly equate the risks and exposure levels observed from drinking water.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».