Risk of bladder and kidney cancer from exposure to low levels of arsenic in drinking water, Nova Scotia – Canada
Notice bibliographique
Résumé
Introduction: Arsenic (As) in drinking water affects the health of hundreds of millions of people worldwide. Although West Bengal, Bangladesh and Taiwan are among the most affected regions, with As concentration as high as 4,700 μg/L and where levels >300 μg/L are common, As contamination of well water is also prevalent across the US and Canada. Studies of populations exposed to such high levels show strong associations and dose-response relationships with As in drinking water and a wide range of illness, including, skin, lung, bladder, and kidney cancer. The threshold at which these diseases develop is uncertain at lower levels of exposure. Recent evidence suggests possible health effects at levels as low as 10 μg/L, current World Health Organization advisory limit. This study models the risk of developing bladder/kidney cancer in those exposed to As around current guideline levels. Methods: A Bayesian spatial autoregressive model was used to model risk at 3 levels of As exposure (0–2 μg/L; 2–5 μg/L; >5 μg/L—based on 10,498 private well samples) in 864 bladder and 525 kidney cancer cases diagnosed in Nova Scotia Canada, between 1998-2010. The model accounted for spatial dependencies and included covariates (e.g. smoking proxies). Results: The risk of developing bladder cancer (both sex) was on average 16 % (2–5 µg/L) and 18 % (> 5 µg/L) greater than that of the referent group (< 2 µg/L), with associated posterior probabilities of 0.88 and 0.93 for these risks being greater than the reference rate. Effect sizes for kidney cancer were lower; the risk being on average 5 % (2–5 µg/L) and 14 % (> 5 µg/L) greater than that of the referent group, with associated probabilities of 0.66 and 0.87. Stratified analyses by sex, showed larger posterior probabilities for an increased risk amongst males– a result likely due to low female case counts. Conclusion: This study provides evidence for health effects at low level of As exposure in drinking water.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».