Paving the way for application of next generation risk assessment to safety decision-making for cosmetic ingredients
Notice bibliographique
Résumé
Next generation risk assessment (NGRA) is an exposure-led, hypothesis-driven approach that has the potential to support animal-free safety decision-making. However, significant effort is needed to develop and test the in vitro and in silico (computational) approaches that underpin NGRA to enable confident application in a regulatory context. A workshop was held in Montreal in 2019 to discuss where effort needs to be focussed and to agree on the steps needed to ensure safety decisions made on cosmetic ingredients are robust and protective. Workshop participants explored whether NGRA for cosmetic ingredients can be protective of human health, and reviewed examples of NGRA for cosmetic ingredients. From the limited examples available, it is clear that NGRA is still in its infancy, and further case studies are needed to determine whether safety decisions are sufficiently protective and not overly conservative. Seven areas were identified to help progress application of NGRA, including further investments in case studies that elaborate on scenarios frequently encountered by industry and regulators, including those where a 'high risk' conclusion would be expected. These will provide confidence that the tools and approaches can reliably discern differing levels of risk. Furthermore, frameworks to guide performance and reporting should be developed.
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 | 0,116 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,014 | 0,013 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,007 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 ».