Improving Risk Assessment by Predicting the Survival of Field Gammarids Exposed to Dynamic Pesticide Mixtures
Notice bibliographique
Résumé
Exposure assessment of pesticides has substantially improved over time, with methods that now include a combination of advanced analytical techniques and fate/transport models to evaluate their spatiotemporal distribution. However, the current regulatory environmental risk assessment considers thresholds from laboratory studies completed under standardized conditions that do not reflect environmental dynamics. Using the General Unified Threshold model for Survival (GUTS) model framework, we predicted the impact of time-varying pesticide exposures on the survival of gammarids in a small agricultural stream. The LP50 values were used as an additional metric for assessing risks (defined in GUTS as a multiplication factor applied to the concentration time series to induce 50% mortality by the end of exposure). Although real-case exposures to individual pesticides were predicted to produce little to no impact on survival, the LP50 values indicate acute (LP50 ≤ 100) and/or chronic (LP50 ≤ 10) toxicities for azoxystrobin, chlorpyrifos, diazinon, and imidacloprid, while risk to propiconazole exposure was considered very low (LP50 ≫ 100). Finally, the model was extended to reflect mixture toxicity via concentration addition. It predicted risks under acute and chronic exposures to organophosphates and neonicotinoids. Given that gammarids are simultaneously exposed to multiple chemicals and other stressors throughout their lifetime, a decline in survival probabilities due to chemical stress can likely influence their overall fitness. We recognize that some assumptions require validation, but our work included a level of realism that can assist risk managers when evaluating the cumulative consequences of chemical exposure.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».