Priority Setting for Occupational Cancer Prevention
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
BACKGROUND: Selecting priority occupational carcinogens is important for cancer prevention efforts; however, standardized selection methods are not available. The objective of this paper was to describe the methods used by CAREX Canada in 2015 to establish priorities for preventing occupational cancer, with a focus on exposure estimation and descriptive profiles. METHODS: Four criteria were used in an expert assessment process to guide carcinogen prioritization: (1) the likelihood of presence and/or use in Canadian workplaces; (2) toxicity of the substance (strength of evidence for carcinogenicity and other health effects); (3) feasibility of producing a carcinogen profile and/or an occupational estimate; and (4) special interest from the public/scientific community. Carcinogens were ranked as high, medium or low priority based on specific conditions regarding these criteria, and stakeholder input was incorporated. Priorities were set separately for the creation of new carcinogen profiles and for new occupational exposure estimates. RESULTS: Overall, 246 agents were reviewed for inclusion in the occupational priorities list. For carcinogen profile generation, 103 were prioritized (11 high, 33 medium, and 59 low priority), and 36 carcinogens were deemed priorities for occupational exposure estimation (13 high, 17 medium, and 6 low priority). CONCLUSION: Prioritizing and ranking occupational carcinogens is required for a variety of purposes, including research, resource allocation at different jurisdictional levels, calculations of occupational cancer burden, and planning of CAREX-type projects in different countries. This paper outlines how this process was achieved in Canada; this may provide a model for other countries and jurisdictions as a part of occupational cancer prevention efforts.
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 | 0,000 | 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 | 0,001 | 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) | 0,000 | 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