Retrospective Exposure Assessment for Occupational Disease of an Individual Worker Using an Exposure Database and Trend Analysis
Notice bibliographique
Résumé
This article outlines a hierarchy of data required for retrospective exposure assessment for occupational disease of an individual worker. It then outlines in a step-wise manner how trend analysis using a relatively large exposure database can be used to estimate such exposure. The process of how a large database containing exposure measurements can be prepared for estimating historic occupational exposures of individual workers in relation to their illnesses is described. The asbestos subset from a large government collected air monitoring database called Medical Surveillance (MESU) was selected to illustrate the cleaning and analysis processes. After unidentifiable values were removed, the cleaned dataset was examined for possible sources of variability such as changes to sampling protocol. Limit of detection (LOD) values were substituted for all non-detectable values prior to the calculation of descriptive statistic using left censored analysis methods (i.e., maximum likelihood estimation (MLE), Kaplan Meier (KM), and simple substitution). The JoinPoint Regression Program was used to perform trend analysis and calculate an annual percentage change (APC) value for the available sampling period. An asbestos case study is presented to illustrate how the APC can then be combined with more recent job and/or process specific exposure data to estimate historic levels. The MESU asbestos dataset contained 1,610 samples from 1984-1995. An average of 17% of this data was left censored. The asbestos air sampling methods in Ontario changed around 1990. LOD values of 0.06 f/cc and 0.02 f/cc were substituted for LOD values pre- and post-1990, respectively. The annual mean fiber levels for the MLE method were an average of 44% lower than KM and substitution methods. The corresponding APC for MLE method was -6.5% and -7.7% for KM and simple substitution. The findings of this paper illustrate how the temporal trend of an exposure databases can be used to efficiently estimate historic contaminant levels in the presence of limited historical information.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».