Applying a Kinetic Multi-Layer Model of Surface and Bulk Chemistry in Epithelial Lung Lining Fluid to Estimate Spatial Variations in the Production of Reactive Oxygen Species in Response to PM2.5 Iron and Copper
Notice bibliographique
Résumé
Background: Certain metals may play an important role in the adverse health effects of fine particulate air pollution (PM2.5) but few models are available to predict spatial variations in these pollutants.Methods: We conducted large-scale air monitoring campaigns during summer 2016 and winter 2017 in Toronto, Canada to characterize spatial variations in iron (Fe) and copper (Cu) concentrations in PM2.5. Information on Fe and Cu concentrations at each site were paired with a kinetic multi-layer model of surface and bulk chemistry in the lung epithelial lining fluid to estimate the possible impact of these metals on the production of reactive oxygen species (ROS) in exposed populations. Land use data around each monitoring site were used to develop predictive models for Fe, Cu, and their estimated combined impact on ROS generation.Results: Spatial variations in Fe, Cu, and ROS greatly exceeded that of PM2.5 mass concentrations. In addition, Fe, Cu, and estimated ROS concentrations were 15, 18, and 9 times higher during summer compared to winter with little difference observed for PM2.5. In leave-one out cross validation procedures final multivariable models explained the majority of spatial variations in annual mean Fe (R2= 0.68), Cu (R2=0.79), and ROS (R2= 0.65).Conclusions: The combined use of PM2.5 metals data with a kinetic multi-layer model of surface and bulk chemistry in the human lung epithelial lining fluid may offer a novel means of estimating PM2.5 health impacts beyond simple mass concentrations.
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 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 | 0,001 | 0,001 |
| 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».