Identifying The Key Drivers Of The Lung Response To Inhaled Geogenic Dusts
Notice bibliographique
Résumé
<p><strong>Aim</strong>: To determine the key characteristics of inhaled geogenic PM10 (<10 &#956;m diameter particulate matter) that have the greatest impact on the lung.</p><p><strong>Methods</strong>: The PM10 fraction was extracted from surface soil samples from 4 communities across Western Australia. BALB/c mice were intranasally exposed to 100 &#956;g of PM10. Control mice received 100 &#956;g of polystyrene beads (2.5 &#956;m) or vehicle alone. Mice were assessed for infl ammation (cellular infl ux, MIP-2, IL-6 and IL-1&#946;), lung volume (plethysmography) and lung mechanics (forced oscillation technique) 6, 24 or 168 hours post exposure. The physical and chemical characteristics of the particles were assessed by cascade impactor and ICP-MS/OES, respectively. Principal component analyses of the outcome measures were used to construct lung impairment scores. Multivariatelinear regression models were then used to identify the characteristics of the particles driving the lung responses.</p><p><strong>Results</strong>: Exposure to geogenic particles caused an acute infl ammatory response (6 hours), an acute impairment in lung mechanics (24 hours) and along term deficit in lung volume. Both the infl ammatory response and long term deficits in lung volume were associated with the concentration of Fe and variability in particle size (GSD) while the impairment in lung mechanics was associated with Fe and particle size (MMAD).</p><p><strong>Conclusions</strong>: Despite the complex physico-chemical characteristics of geogenic dusts we were able to identify the concentration of Fe and physical dimensions of the particles as the key drivers of lung responses. Using these data we may be able to predict which communities are at greatest risk of adverse respiratory health due to high particle loads.</p>
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 | 0,001 | 0,001 |
| 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 ».