Metal Exposures, Noise Exposures, and Audiometry from E-Waste Workers in Agbogbloshie, Ghana
Notice bibliographique
Résumé
Metals, such as lead, may be ototoxic, but this property is not well understood, especially in conjunction with noise. This cross-sectional study investigated hearing, noise, and metal biomarkers in informal electronic waste (e-waste) recycling workers in Accra, Ghana. Workers (N = 58) participated in audiometric testing, a survey, blood collection, and personal noise dosimetry. Sixty percent of participants displayed audiometric notches indicative of noise-induced hearing loss (NIHL). Most workers (86%) reported high noise while working. Daily average noise levels were in the range 74.4-90.0 dBA. Linear regression models indicated participants who lived at Agbogbloshie Market for longer periods were significantly associated with worse hearing thresholds at 4 and 6 kHz. The models did not identify blood levels of lead, mercury, or cadmium as significant predictors of worse hearing thresholds or larger noise notches, but increased levels of selenium were significantly associated with better hearing at 6 kHz. Models of thresholds at 4 and 6 kHz were improved by including an interaction term between the maximum noise exposure and the level of zinc in whole blood, suggesting that zinc may protect hearing at lower noise levels, but not at higher levels. Further study of the relationships between elements, noise, and NIHL is needed.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».