Assessing secondhand and thirdhand tobacco smoke exposure in Canadian infants using questionnaires, biomarkers, and machine learning
Notice bibliographique
Résumé
BACKGROUND: As smoking prevalence has decreased in Canada, particularly during pregnancy and around children, and technological improvements have lowered detection limits, the use of traditional tobacco smoke biomarkers in infant populations requires re-evaluation. OBJECTIVE: We evaluated concentrations of urinary nicotine biomarkers, cotinine and trans-3'-hydroxycotinine (3HC), and questionnaire responses. We used machine learning and prediction modeling to understand sources of tobacco smoke exposure for infants from the CHILD Cohort Study. METHODS: Multivariable linear regression models, chosen through a combination of conceptual and data-driven strategies including random forest regression, assessed the ability of questionnaires to predict variation in urinary cotinine and 3HC concentrations of 2017 3-month-old infants. RESULTS: Although only 2% of mothers reported smoking prior to and throughout their pregnancy, cotinine and 3HC were detected in 76 and 89% of the infants' urine (n = 2017). Questionnaire-based models explained 31 and 41% of the variance in cotinine and 3HC levels, respectively. Observed concentrations suggest 0.25 and 0.50 ng/mL as cut-points in cotinine and 3HC to characterize SHS exposure. This cut-point suggests that 23.5% of infants had moderate or regular smoke exposure. SIGNIFICANCE: Though most people make efforts to reduce exposure to their infants, parents do not appear to consider the pervasiveness and persistence of secondhand and thirdhand smoke. More than half of the variation in urinary cotinine and 3HC in infants could not be predicted with modeling. The pervasiveness of thirdhand smoke, the potential for dermal and oral routes of nicotine exposure, along with changes in public perceptions of smoking exposure and risk warrant further exploration.
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 | 0,004 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».