MétaCan
Menu
Retour à la cohorte
Enregistrement W1992674332 · doi:10.1155/2013/497490

Biomedical Pollutants in the Urban Environment and Implications for Public Health: A Case Study

2013· article· en· W1992674332 sur OpenAlexaff
Jeffrey Squire

Notice bibliographique

RevueISRN Public Health · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueHealthcare and Environmental Waste Management
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésPollutantIncinerationMercury (programming language)Environmental chemistryWaste managementEnvironmental scienceHealth riskEnvironmental planningEnvironmental healthChemistryEngineering

Résumé

récupéré en direct d'OpenAlex

This study investigated the management of biomedical pollutants in the Accra Metropolitan Area in Ghana, using a qualitative case study approach involving interviews, focus-group discussions, and observation techniques. A state of precariousness was found to characterize the management of biomedical pollutants in the study area, culminating in the magnification of risks to the environment and public health. There is neither a single sanitary landfill nor a properly functioning incineration system in the entire metropolis, and most of the healthcare facilities surveyed lack access to suitable treatment technologies. As a result, crude burning and indiscriminate dumping of infectious and toxic biomedical residues were found to be widespread. The crude burning of toxic biomedical pollutants was found to provide environmental pathways for carcinogenic substances. These include polynuclear aromatic hydrocarbons (PAHs), polychlorinated dibenzofurans (PCDFs), polychlorinated dibenzo-para-dioxins (PCDDs), polychlorinated biphenyls (PCBs), hydrogen, lead, mercury, cadmium, chlorobenzenes, particulate matter, and chlorophenols. The improper disposal of biomedical pollutants in open dumps and unsanitary landfills also carries a risk of providing environmental entry points for volatile organic compounds (VOCs), inorganic macrocomponents, heavy metals, and xenobiotic organic compounds.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,013
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0070,003
Communication savante0,0020,001
Science ouverte0,0010,003
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,136
Tête enseignante GPT0,362
Écart entre enseignants0,227 · 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 source (Gemma direct ou Codex distillé), 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

Citations3
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueISRN Public HealthMême sujetHealthcare and Environmental Waste ManagementTravaux en français237 207