Accuracy of Product Ingredient Labeling: Comparing Drugstore Products with Online Databases and Online Retailers
Notice bibliographique
Résumé
BACKGROUND: Patients with allergic contact dermatitis rely on ingredient lists published in databases and by online retailers to find safe skincare products. OBJECTIVE: The aim of this study was to determine the accuracy of product ingredient labeling by comparing drugstore product labels to ingredient lists published online. METHODS: Amazon was queried for best-selling items in several categories of skincare, generating a list of 93 products. These products were then found at a local Target and Walgreens and online on Contact Allergen Management Program, SkinSAFE, and Consumer Product Information Database. Drugstore product labels were compared with online ingredient lists and analyzed for discrepancies. RESULTS: There were 31 occurrences in which an allergen listed in the 2017 American Contact Dermatitis Society Core Allergen Series was omitted (present on the in-store label but missing from an online list.) Seven omissions occurred on Contact Allergen Management Program, 11 occurred on SkinSAFE, 5 occurred on Consumer Product Information Database, and 8 occurred on Amazon. CONCLUSIONS: Definitive treatment of allergic contact dermatitis is avoidance of allergens found on patch testing. These data suggest that patients may be at risk of inadvertent exposure to allergens from products, which are supposedly deemed safe according to online ingredient lists.
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 | 0,000 | 0,000 |
| 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 ».