A PBPK Modeling-Based Approach to Account for Interactions in the Health Risk Assessment of Chemical Mixtures
Notice bibliographique
Résumé
The objectives of the present study were: (1) to develop a risk assessment methodology for chemical mixtures that accounts for pharmacokinetic interactions among components, and (2) to apply this methodology to assess the health risk associated with occupational inhalation exposure to airborne mixtures of dichloromethane, benzene, toluene, ethylbenzene, and m-xylene. The basis of the proposed risk assessment methodology relates to the characterization of the change in tissue dose metrics (e.g., area under the concentration-time curve for parent chemical in tissues [AUCtissue], maximal concentration of parent chemical or metabolite [Cmax], quantity metabolized over a period of time) in humans, during mixed exposures using PBPK models. For systemic toxicants, an interaction-based hazard index was calculated using data on tissue dose of mixture constituents. Initially, the AUCtarget tissue (AUCtt) corresponding to guideline values (e.g., threshold limit value [TLV]) of individual chemicals were obtained. Then, the AUCtt for each chemical during mixed exposure was obtained using a mixture PBPK model that accounted for the binary and higher order interactions occurring within the mixture. An interaction-based hazard index was then calculated for each toxic effect by summing the ratio of AUCtt obtained during mixed exposure (predefined mixture) and single exposure (TLV). For the carcinogenic constituents of the mixture, an interaction-based response additivity approach was applied. This method consisted of adding the cancer risk for each constituent, calculated as the product of q*tissue dose and AUCtt. The AUCtt during mixture exposures was obtained using an interaction-based PBPK model. The approaches developed in the present study permit, for the first time, the consideration of the impact of multichemical pharmacokinetic interactions at a quantitative level in mixture risk assessments.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».