Collaborative efforts are needed among the scientific community to advance the adverse outcome pathway concept in areas of radiation risk assessment
Notice bibliographique
Résumé
Disease prevention and prediction have led to the generation of phenotypically based methods for deriving the limits of safety across toxicological disciplines. In the ionizing radiation field, human data has formed the basis of the linear-no-threshold (LNT) model for risk estimates. However, uncertainties around its accuracy at low doses and low dose-rates have led to passionate debates on its effectiveness to derive radiation risk estimates under these conditions. Concerns arise from the linear extrapolation of data from high doses to low doses, below 0.1 Gy where there is considerable variability in the scientific literature. Efforts to address these controversies have led to a mountain of mechanistic data to improve the understanding of molecular and cellular effects related to phenotypic changes. These data provide fragments of information that have yet to be combined and used effectively to improve modeling, reduce uncertainties, and update radiation protection approaches. This paper suggests a better consolidation of mechanistic research may serve to guide priority research and facilitate translation to risk assessment. An effective approach that may be implemented is the organization of data using the adverse outcome pathway (AOP) framework, a programme that has been launched by the Organization for Economic Cooperation and Development in the chemical toxicology field. The AOP concept has proved beneficial to human health and ecological toxicological fields, demonstrating possibilities for better linkages of mechanistic data to phenotypic effects. A similar approach may be beneficial to the field of radiation research. However, for this to work effectively, collaborative efforts are needed among the scientific communities in the area of AOP development and documentation. Studies will need to be evaluated, re-organized and integrated into AOPs. Here, details of the AOP approach and areas it could support in the radiation field are discussed. In addition, challenges are highlighted and steps to integration are outlined. Organizing studies in this manner will facilitate a better understanding of our current knowledge in the radiation field and help identify areas where more focused work can be undertaken. This will, in turn, allow for improved linkage of mechanistic data to human relevance and better support radiation risk assessments.
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 | 0,335 | 0,264 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,007 |
| Bibliométrie | 0,012 | 0,008 |
| Études des sciences et des technologies | 0,009 | 0,016 |
| Communication savante | 0,031 | 0,045 |
| Science ouverte | 0,013 | 0,045 |
| Intégrité de la recherche | 0,019 | 0,038 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,007 |
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 ».