Development of a Tool for Systematic Integration of Traditional and New Approach Methods for Prioritizing Chemical Lists
Notice bibliographique
Résumé
Multiple regulatory bodies (EPA, ECHA, Health Canada) are currently tasked with prioritizing chemicals for data collection and risk assessments. These prioritization efforts are in response to regulatory mandates to identify chemicals for further assessment. We have developed a web-based application that enables a rapid, flexible and transparent prioritization process. The tool includes multiple data streams related to human and ecological hazard, exposure, and physicochemical properties (persistence and bioaccumulation). For human hazard, the data streams include quantitative points of departure (PODs) that are compiled from multiple sources such as EPA ToxRefDB, ECHA, COSMOS; estimated PODs from high-throughput in vitro screening assays and computational models; and qualitative measurements and predictions of specific endpoints (e.g., genotoxicity, endocrine activity). For ecological hazard, quantitative PODs are taken from the EPA ECOTOX database. Exposure information includes production volume, quantitative predictions using the EPA ExpoCast and SHEDS models, biomonitoring data, and qualitative information such as media occurrence, use profiles and likelihood of consumer and childhood exposures. The use of the tool is illustrated by prioritizing chemicals related to TSCA and the Safer Choice Ingredient List. The underpinning data streams for this application are already available in the EPA CompTox Chemistry Dashboard and have been repurposed to deliver this application. This is in keeping with our overarching software development methodology of providing multiple “building blocks” in the form of databases, web services and visualization components to deliver fit-for purpose applications to the relevant audiences. This abstract does not necessarily represent U.S. EPA policy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,016 |
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 source (Gemma direct ou Codex distillé), 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 ».