Inhalation Toxicology of Vaping Products and Implications for Pulmonary Health
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
E-cigarettes have a liquid that may contain flavors, solvents, and nicotine. Heating this liquid generates an aerosol that is inhaled into the lungs in a process commonly referred to as vaping. E-cigarette devices can also contain cannabis-based products including tetrahydrocannabinol (THC), the psychoactive component of cannabis (marijuana). E-cigarette use has rapidly increased among current and former smokers as well as youth who have never smoked. The long-term health effects are unknown, and emerging preclinical and clinical studies suggest that e-cigarettes may not be harmless and can cause cellular alterations analogous to traditional tobacco smoke. Here, we review the historical context and the components of e-cigarettes and discuss toxicological similarities and differences between cigarette smoke and e-cigarette aerosol, with specific reference to adverse respiratory outcomes. Finally, we outline possible clinical disorders associated with vaping on pulmonary health and the recent escalation of acute lung injuries, which led to the declaration of the vaping product use-associated lung injury (EVALI) outbreak. It is clear there is much about vaping that is not understood. Consequently, until more is known about the health effects of vaping, individual factors that need to be taken into consideration include age, current and prior use of combustible tobacco products, and whether the user has preexisting lung conditions such as asthma and chronic obstructive pulmonary disease (COPD).
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle