Micronutrient Status of Electronic Waste Recyclers at Agbogbloshie, Ghana
Notice bibliographique
Résumé
Growing evidence suggests that micronutrient status is adversely impacted by toxic metals (e.g., cadmium, lead, and arsenic) exposures; however, the micronutrient status of e-waste recyclers who are amongst the highest metal-exposed groups is not known. This study, therefore, assessed the micronutrient status of e-waste recyclers using dietary information (2-day 24-h recall survey) and biomarker data (whole blood and urine) among 151 participants (100 e-waste recyclers at Agbogbloshie and 51 controls at Madina Zongo from the Accra region, Ghana) in March 2017. Biomarker levels of iron (Fe), calcium (Ca), magnesium (Mg), selenium (Se), zinc (Zn) and copper (Cu) were analyzed by the ICP-MS. Linear regression models were used to assess associations ofwork-related factors and sociodemographic characteristics with micronutrient intake, blood, and urine micronutrient levels. The results showed that apart from Fe and Zn, e-waste recyclers at Agbogbloshie did not meet the day-to-day dietary requirements for Ca, Cu, Se, and Mg intake. Except for the low levels of Mg and Fe detected in blood of e-waste recyclers, all other micronutrients measured in both blood and urine of both groups fell within their reference range. Exposure to biomass burning was associated with lower blood levels of Fe, Mg, and Zn among the e-waste recyclers. Further, among e-waste recyclers, significant relationships were found between the number of years spent recycling e-waste and urinary Ca and Cu excretion. Given that, some dietary and blood levels of micronutrients were below their reference ranges, the implementation of evidence-based nutrition strategies remains necessary among e-waste recyclers to reduce their risk of becoming malnourished.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».