MétaCan
Menu
Retour à la cohorte
Enregistrement W2883958942 · doi:10.1093/annweh/wxy064

Retrospective Assessment of Respirable Quartz Exposure for a Silicosis Study of the Industrial Sand Industry

2018· article· en· W2883958942 sur OpenAlexfundno aff
Roy J. Rando, Pamela M. Vacek, Robert E. Glenn, Cheol Woong Kwon, John E. Parker

Notice bibliographique

RevueAnnals of Work Exposures and Health · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueOccupational and environmental lung diseases
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of British ColumbiaIndustrial Health Foundation
Mots-clésSilicosisParticle sizeOccupational hygieneQuartzEnvironmental scienceEnvironmental healthParticle-size distributionOccupational exposureParticle numberParticle (ecology)ToxicologyEnvironmental engineeringMedicineEngineeringMaterials scienceMetallurgyPhysicsOccupational safety and healthGeologyNuclear physicsPathology

Résumé

récupéré en direct d'OpenAlex

Background: In 2016, the OSHA PEL for crystalline silica was reduced, renewing interest in evaluating risk of silicosis from occupational exposures. The industrial sand industry, which deals with high-purity quartz sands, is the setting for a current epidemiologic investigation of silicosis risk and progression. In support of that investigation, respirable quartz (RQ) exposures were retrospectively estimated for 67 workers with silicosis and 167 matched control workers from 21 industrial sand plants, in which some started work as early as 1929. Methods: A job exposure matrix (JEM) was constructed by integrating a modern (post-1970) RQ exposure database containing more than 40000 measurements with archival particle count exposure data from a 1947 survey. A simulation algorithm was used to develop a conversion factor to convert the archival particle count data into modern measures of RQ by randomly generating 100000 virtual dust particles of varying diameters corresponding to the size distributions of 14 archival particle size distribution samples. The equivalent respirable mass and particle counts of the virtual particles were calculated, totalled, and ratioed to derive the conversion factor. The JEM was integrated with individual job histories to calculate average and cumulative exposure for each case and control. Multiple exposure estimates were derived for unprotected exposures as well as for exposures adjusted for estimated respiratory protective equipment use and efficiency. Results: The mean of the count to respirable mass conversion factors derived from 14 archival particle size samples was 157 µg m-3 per mppcf (SD: 42; range: 96-263) with no statistical difference across process areas (drying, screening, vibrating, binning, bulk loading, bagging), P = 0.29. The JEM demonstrated an industry-wide decrease in prevailing exposures to RQ of up to about 2 orders of magnitude from the distant (1929) to the recent (2012) past. Unadjusted cumulative exposures for cases and controls were statistically different (P < 0.001) with respective medians (range) of 3764 µg m-3 year (221-25121) and 1595 µg m-3 year (0-16446). Adjustment of exposure for use of respiratory protection showed modest reductions in estimated exposure: median adjusted cumulative exposures assuming a protection factor of 5 were 86% and 77% of the unadjusted values for cases and controls, respectively. Conclusions: The industrial sand industry offers a unique setting for examination of silicosis risk because of the high silica content of industrial sand and a long history of radiographic silicosis surveillance of industry workers. However, the great majority of silicosis cases in this industry are found among former workers and are associated with exposures occurring in the distant past, which necessitates extensive retrospective exposure assessment and increases the likelihood of exposure misclassification. Nonetheless, the estimated cumulative exposures for silicosis cases and controls in this work were significantly different, with the median cumulative exposure for cases being more than twice that of their matched controls.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,249

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,146
Tête enseignante GPT0,418
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnals of Work Exposures and HealthMême sujetOccupational and environmental lung diseasesTravaux en français237 207