MétaCan
Menu
Retour à la cohorte
Enregistrement W2896445664 · doi:10.1093/annweh/wxy083

Development of Quantitative Estimates of Wood Dust Exposure in a Canadian General Population Job-Exposure Matrix Based on Past Expert Assessments

2018· article· en· W2896445664 sur OpenAlexafffundabout
Jean‐François Sauvé, Hugh Davies, Marie‐Élise Parent, Cheryl Peters, Marie‐Pierre Sylvestre, Jérôme Lavoué

Notice bibliographique

RevueAnnals of Work Exposures and Health · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueOccupational and environmental lung diseases
Établissements canadiensInstitut National de la Recherche ScientifiqueAlberta Health ServicesUniversity of CalgaryCentre Hospitalier de l’Université de MontréalUniversity of British ColumbiaWorld Wildlife Fund CanadaUniversité de Montréal
Organismes subventionnairesNational Institutes of HealthPartenariat Canadien Contre Le CancerCanadian Institutes of Health ResearchWorkSafeBC
Mots-clésJob-exposure matrixPopulationIntensity (physics)Environmental scienceStatisticsSample (material)Exposure assessmentDemographyMultilevel modelMathematicsGeographyToxicologyEnvironmental healthConfidence intervalMedicineChemistryBiology

Résumé

récupéré en direct d'OpenAlex

Objectives: The CANJEM general population job-exposure matrix summarizes expert evaluations of 31 673 jobs from four population-based case-control studies of cancer conducted in Montreal, Canada. Intensity in each CANJEM cell is represented as relative distributions of the ordinal (low, medium, high) ratings of jobs assigned by the experts. We aimed to apply quantitative concentrations to CANJEM cells using Canadian historical measurements from the Canadian Workplace Exposure Database (CWED), taking exposure to wood dust as an example. Methods: We selected 5170 personal and area wood dust measurements from 31 occupations (2011 Canadian National Occupational Classification) with a non-zero exposure probability in CANJEM between 1930 and 2005. The measurements were taken between 1981 and 2003 (median 1989). A Bayesian hierarchical model was applied to the wood dust concentrations with occupations as random effects, and sampling duration, year, sample type (area or personal), province, and the relative proportion of jobs exposed at medium and high intensity in CANJEM cells as fixed effects. Results: The estimated geometric mean (GM) concentrations for a CANJEM cell with all jobs exposed at medium or high intensity were respectively 1.3 and 2.4 times higher relative to a cell with all jobs at low intensity. An overall trend of -3%/year in exposure was observed. Applying the model estimates to all 198 cells in CANJEM with some exposure assigned by the experts, the predicted 8-hour, personal wood dust GM concentrations by occupation for 1989 ranged from 0.48 to 1.96 mg m-3. Conclusions: The model provided estimates of wood dust concentrations for any CANJEM cell with exposure, applicable for quantitative risk assessment at the population level. This framework can be implemented for other agents represented in both CANJEM and CWED.

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 enseignants0,017
Score d'incertitude au seuil1,000

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 Opus0,077
Tête enseignante GPT0,411
Écart entre enseignants0,335 · 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

Citations6
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

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