Epidemiology-based risk assessment using the benchmark dose/margin of exposure approach: the example of ethanol and liver cirrhosis
Notice bibliographique
Résumé
BACKGROUND: A novel approach to derive a threshold dose with respect to alcohol-related harm, the benchmark dose (BMD) methodology, is introduced to provide a basis for evidence-based drinking guidelines. This study is the first to calculate a BMD for alcohol exposure using epidemiological cohort data. With this BMD we will be able to calculate the margin of exposure (MOE) for alcohol consumption, which can be used for comparative risk assessment and applied to setting public health policy. METHODS: Benchmark dose-response modelling of epidemiological data gathered during a recent systematic review and meta-analysis of alcohol consumption as a risk factor for liver cirrhosis morbidity and mortality. RESULTS: For a benchmark response (BMR) of 1.5%, the resulting BMD values were 30.9 g/day for males and 29.7 g/day for females; the corresponding lower one-sided confidence values were 25.7 and 27.2 g/day, respectively. The intake scenario for the Canadian population resulted in an MOE of 1.23. Intake scenarios for individuals as based on the Canadian drinking guidelines led to MOE values between 0.96 and 1.91. Using an uncertainty factor of 10, the acceptable daily intake for alcohol would be 2.6 g/day. CONCLUSIONS: The BMD approach was feasible in developing evidence-based guidelines for low-risk drinking. As our calculated MOEs result around unity (i.e. 1) for moderate drinking, it is evident that the current guidelines correspond very well to low risk on the dose-response curve. The BMD methodology therefore validates current guidelines. The results again highlight the health risk associated with alcohol consumption.
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 | 0,013 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 ».