Spatial modelling of individual arsenic exposure via well water: evaluation of arsenic in urine, main water source and influence of neighbourhood water sources in rural Bangladesh
Notice bibliographique
Résumé
Arsenic concentrations in well water often vary even within limited geographic areas. This makes it difficult to obtain valid estimates of the actual exposure, as people may take their drinking water from different wells. We evaluated a spatial model for estimation of the influence of multiple neighbourhood water sources on the actual exposure, as assessed by concentrations in urine in a population in rural Bangladesh. In total 1307 individuals (one per bari, group of families) were randomly selected. Arsenic concentrations of urine and water were analysed. Simple average and inverse distance weighted average of arsenic concentrations in the five nearest water sources were calculated for each individual. Spatial autocorrelation was evaluated using Moran's I statistics, and spatial regression models were employed to account for spatial autocorrelation. The average distance from a household to the nearest tube-well was 32 metres (Inter-Quartile Range 1-49 metres). Water arsenic concentrations of the reported main water sources were significantly correlated with concentrations in urine (R(2) = 0.41, rho < 0.0001, R(2) for women = 0.45 and for men = 0.36). General model fit improved only slightly after spatial adjustment for neighbouring water sources (pseudo-R(2) = 0.53, spatial lag model), compared to covariate adjusted regression coefficient (R(2) = 0.46). Arsenic concentration in urine was higher than arsenic in main water source with an intercept of 57 microg L(-1), indicating exposure from food. A suitable way of estimating an individual's past exposure to arsenic in this rural setting, where influence of neighbouring water sources was minimal, was to consider the reported main source of 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 | 0,002 | 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 ».