Severity scoring of manganese health effects for categorical regression
Notice bibliographique
Résumé
Characterizing the U-shaped exposure response relationship for manganese (Mn) is necessary for estimating the risk of adverse health from Mn toxicity due to excess or deficiency. Categorical regression has emerged as a powerful tool for exposure-response analysis because of its ability to synthesize relevant information across multiple studies and species into a single integrated analysis of all relevant data. This paper documents the development of a database on Mn toxicity designed to support the application of categorical regression techniques. Specifically, we describe (i) the conduct of a systematic search of the literature on Mn toxicity to gather data appropriate for dose-response assessment; (ii) the establishment of inclusion/exclusion criteria for data to be included in the categorical regression modeling database; (iii) the development of a categorical severity scoring matrix for Mn health effects to permit the inclusion of diverse health outcomes in a single categorical regression analysis using the severity score as the outcome variable; and (iv) the convening of an international expert panel to both review the severity scoring matrix and assign severity scores to health outcomes observed in studies (including case reports, epidemiological investigations, and in vivo experimental studies) selected for inclusion in the categorical regression database. Exposure information including route, concentration, duration, health endpoint(s), and characteristics of the exposed population was abstracted from included studies and stored in a computerized manganese database (MnDB), providing a comprehensive repository of exposure-response information with the ability to support categorical regression modeling of oral exposure data.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 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 ».