Part II: Quantitative Evaluation of Choices Used in Setting Noncancer Chronic Human Health Reference Values Across Organizations
Notice bibliographique
Résumé
Environmental and public health organizations, including the World Health Organization (WHO) and the U.S. Environmental Protection Agency (USEPA), develop human health reference values (HHRV) that set “safe” levels of exposure to noncarcinogens. Here, we systematically analyze chronic HHRVs from four organizations: USEPA, Health Canada, RIVM (the Netherlands), and the U.S. Agency for Toxic Substances and Disease Registry. This study is an extension of our earlier work and both closely examines the choices made in setting HHRVs and presents a quantitative method for identifying the primary factors influencing HHRV agreement or disagreement. (1) We evaluated 171 organizational comparisons, developing a quantitative method for identifying the factors to which HHRV agreement (that is, when both organizations considering the same data set the identical HHRV values) is most sensitive. To conduct this analysis, a Bayesian belief network was built using expert judgment, including the specific science policy choices analysis made in the context of setting an HHRV. Based on a sensitivity of findings analysis, HHRV agreement is most sensitive to the point of departure value, followed by the total uncertainty factor (UF), critical study, critical effect, animal model, and point of departure approach. This analysis also considered the specific impacts of individual UFs, with the database UF and the subchronic‐to‐chronic UF being identified as primary factors impacting the total UF differences observed across organizations. The sensitivity of findings analysis results were strengthened and confirmed by frequency analyses evaluating which choices most often disagreed when the HHRV and the total UF disagreed.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».