Evaluation of Harmful Substances and Health Risk Assessment of Mercury and Arsenic in Cosmetic Brands in Nigeria
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Forty two different cosmetic samples consisting of 16 facial cosmetics, 6 soaps, 1 shower gel, 12 emulsions, 2 underarm cosmetics, 3 nail cosmetics and 2 perfumes were purchased from department stores and cosmetic shops within Onitsha Main Market and Eke-Awka in Anambra, Nigeria. Seven of these cosmetic (16.67%) were locally manufactured in Nigeria while thirty five (83.33%) were imported into Nigeria. The cosmetics were ashed before digestion and filtration. The filtrates were assayed for mercury and arsenic with AAS SearchTech AA320N. Hydroquinone presence was identified by chromatographic test while steroids, nitrite and N-nitrosamines were identified by colour test and together were assayed by UV-spectrophotometer (Spectrulab 21). The health risk assessment methods developed by the United States Environmental Protection Agency (US EPA) were employed to explore the potential human health risk of Mercury and Arsenic in cosmeticsamples. Results showed that two (2) of the cosmetic samples contained mercury ( 0.003 + 0.000mg/kg and 0.07 + 0.00mg/kg) while three cosmetic samples contained arsenic (0.002 + 0.000, 0.002+0.000 and 0.005 +0.000 mg/kg). Hydroquinone concentration ranged from 1.14 + 0.00 – 1.83 + 0.03 mg/kg (1.14E-02 – 1.83E-02 %).Steroid was found in only two samples with concentration of 16.70 + 0.74 mg/kg and 17.63 + 0.74 while N-nitrosamines and nitrite occurred in nine and eleven samples in the range of 4.66 + 0.09 – 43.52 + 0.47 and 0.87 + 0.02 – 13.42 + 2.90 respectively. The total cancer and non-cancer risk results indicated that although the chances of cancer risk and non-cancer risk resulting from the use of these cosmetic products were unlikely, build up of these heavy metals overtime on continuous usage could be detrimental.
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.
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 | 0,000 |
| 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 découle