Predictors of Plasma Fluoride Concentrations in Children and Adolescents
Notice bibliographique
Résumé
Despite increasing concerns about neurotoxicity of fluoride in children, sources of fluoride exposure apart from municipal water fluoridation are poorly understood. We aimed to describe the associations of demographics, drinking water characteristics, diet, and oral health behaviors with plasma fluoride concentrations in U.S. children. We used data from 3928 6-19-year-olds from the 2013-2016 National Health and Nutrition Examination Survey. We used a 24-h dietary recall to estimate recent consumption of fluoridated tap water and select foods. We estimated the associations of fluoridated tap water, time of last dental visit, use of toothpaste, and frequency of daily tooth brushing with plasma fluoride concentrations. The participants who consumed fluoridated (≥0.7 mg/L) tap water (n = 560, 16%) versus those who did not had 36% (95% CI: 22, 51) higher plasma fluoride. Children who drank black or green tea (n = 503, 13%) had 42% higher plasma fluoride concentrations (95% CI: 27, 58) than non-tea drinkers. The intake of other foods and oral health behaviors were not associated with plasma fluoride concentrations. The consumption of fluoridated tap water and tea substantially increases plasma fluoride concentrations in children. Quantifying the contribution of diet and other sources of fluoride is critical to establishing safe target levels for municipal water fluoridation.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».