Chemical mixtures and neurobehavior: a review of epidemiologic findings and future directions
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
Background Epidemiological studies have historically focused on single toxicants, or toxic chemicals, and neurodevelopment, even though the interactions of chemicals and nutrients may result in additive, synergistic, antagonistic, or potentiating effects on neurological endpoints. Investigating the impact of environmentally-relevant chemical mixtures, including heavy metals and endocrine disrupting chemicals (EDCs), is more reflective of human exposures and may result in more refined environmental policies to protect the public. Objective In this review, we provide a summary of epidemiological studies that have analyzed chemical mixtures of heavy metals and EDCs and neurobehavior utilizing multi-chemical models, including frequentist and Bayesian methods. Content Studies investigating chemicals and neurobehavior have the opportunity to not only examine the impact of chemical mixtures, but they can also identify chemicals from a mixture that may play a key role in neurotoxicity, investigate interactive effects, estimate non-linear dose response, and identify potential windows of susceptibility. The examination of neurobehavioral domains is particularly challenging given that traits emerge and change over time and subclinical nuances of neurobehavior are often unrecognized. To date, only a handful of epidemiological studies examining neurodevelopment have utilized multi-pollutant models in the investigation of heavy metals and EDCs. However, these studies were successful in identifying contaminants of importance from the exposure mixtures. Summary and Outlook Investigators are encouraged to broaden their focus to include more environmentally relevant mixtures of chemicals using advanced statistical approaches, particularly to aid in identifying potential mechanisms underlying associations.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,001 |
| 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