PA 17-4-2588 Estimating historical exposure without imputation: lessons learned from a predictive modeling approach using data from a cohort of ontario uranium underground miners in canada
Notice bibliographique
Résumé
Uranium underground miners are exposed to a number of radionuclides that undergo radioactive decay. Historically, studies examining adverse health effects have been focused largely on alpha radiation (radon gas). However, recent international studies have shown evidence of excess mortality of lung cancer and leukemia with increased cumulative doses of external gamma radiation. The objective of this study is to develop and validate a predictive model for estimating gamma radiation exposure for miners working in uranium mines and to apply this exposure information to derive health-based risks. The dose prediction model was developed and validated using a cross-validation approach. To aid in model development, 70% random sample of workers were used in the model development (i.e., Training Sample) while the remainder 30% (i.e., Test Sample) was used to determine model performance. ROBUSTREG in SAS was used to minimise the effects of outliers. Poisson regression was used to derive relative-risks (RR). Regression analysis showed that individual dosimetric readings were modestly predicted by individual work history and geological characteristics of Ontario uranium mines (p<0.001, R2=0.374). Preliminary risk estimates were conducted for a subset of the OUM cohort as proof-of-concept for the reconstruction of historical gamma exposure. In total, there were 12 953 miners that contributed 4 31 655 person-years of observation from 1954 to 1992. There was a non-significant increase in lung cancer mortality (RR=1.11, 95% CI: 0.85 to 1.45), and a significant increased risk of all forms of leukemia, when comparing the highest cumulative dose category (>14 mSievert (mSv)) to the reference category (0 mSv) (RR=2.58, 95% CI: 1.06 to 6.30). When measured exposure data is not available, predictive modelling can be an effective way to estimate historical exposure without imputation that in turn used to derive health-based risk estimates.
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 | 0,007 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».