Mechanistic modeling of persistent organic pollutant exposure among indigenous Arctic populations: motivations, challenges, and benefits
Notice bibliographique
Résumé
Indigenous Arctic populations experience elevated exposures to many environmental contaminants compared with groups residing in southern Canada. This is largely due to consumption of traditional foods, some of which (ringed seals, beluga whales, narwhals, etc.) have relatively high concentrations of persistent organic pollutants. Models of contaminant fate, transport, and bioaccumulation represent powerful tools to explore this exposure issue, wherein combined models can be used to mechanistically and dynamically describe the entire sequence of events linking chemical emissions into the environment to ultimate contaminant concentrations in indigenous Arctic populations. In this review, various approaches adapted and applied to understanding indigenous Arctic contaminant exposure are explored, including early models describing body burdens in single traditional food species to more recent approaches holistically examining uptake and bioaccumulation in entire food chains. The applications of these models are also discussed, including attempts to (i) identify chemical properties favouring transport to, and bioaccumulation in, the Arctic; (ii) clarify the main determinants of temporal trends observed in indigenous Arctic biomonitoring; (iii) explore the impacts of permanent and temporary dietary transitions on current and future indigenous Arctic contaminant exposures; and (iv) correlate modeled early-life pollutant exposures with measured health impacts. The review demonstrates the effectiveness of mechanistic model approaches in investigating indigenous Arctic contaminant exposure, and confirms their utility in continued improvements to understanding associated risk in this unique population context.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 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 ».