Modeled Impacts of Drinking Water Pb Reduction Scenarios on Children’s Exposures and Blood Lead Levels
Notice bibliographique
Résumé
In recent years, environmental lead (Pb) exposure through drinking water has resulted in community public health concerns. To understand potential impacts on blood Pb levels (BLLs) from drinking water Pb reduction actions (i.e., combinations of lead service lines [LSL] and corrosion control treatment [CCT] scenarios), EPA's Stochastic Human Exposure and Dose Simulation (SHEDS)-Multimedia/Integrated Exposure Uptake and Biokinetic (IEUBK) model was applied for U.S. children aged 0 to <6 years. The results utilizing a large drinking water sequential sampling data set from 15 cities to estimate model input concentration distributions demonstrated lowest predicted BLLs for the "no LSLs" with "combined CCT" scenario and highest predicted BLLs for the "yes LSLs" and "no CCT" scenario. Modeled contribution to BLLs from ingestion of residential drinking water ranged from ∼10 to 80%, with the highest estimated for formula-fed infants (age 0 to <1 year). Further analysis using a "bounding" data set spanning a range of realistic water Pb concentrations and variabilities showed BLL predictions consistent with the sequential sampling-derived inputs. Our study illustrates (1) effectiveness of LSL replacement coupled with CCT for reducing Pb in drinking water and children's BLLs, and (2) in some age groups, under realistic local and residential water use conditions, drinking water can be the dominant exposure pathway.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».