Open Characterization of Vaping Liquids in Canada: Chemical Profiles and Trends
Notice bibliographique
Résumé
Currently, there is a lack of comprehensive data on the diversity of chemicals present in vaping liquids. To address this gap, a non-targeted analysis of 825 vaping liquids collected between 2017 and 2019 from Canadian retailers was conducted. Prior to mass spectrometry analysis, samples were diluted 1:500 v/v with methanol or acetonitrile. Chemical compound separation and analysis was carried out using gas chromatography and triple quadrupole mass spectrometry (GC-MS/MS) systems operated in the full scan mode and mass range of 35-450 m/z. Mass spectrum for each sample was obtained in electron ionization at 70 eV and processed. Non-targeted identification workflow included use of automated mass spectral deconvolution and identification system (AMDIS), where required, as well as a number of commercially available spectral libraries. In order to validate identities, an in-house database of expected compounds previously detected in vaping liquids was used along with genuine analytical standards for compounds of interest. This resulted in a dataset of over 1,500 unique detected chemicals. Approximately half of these chemical compounds were detected only once in a single product and not in multiple products analyzed. For any sample analyzed, on average, 40% of the chemical constituents appeared to have flavouring properties. The remainder were nicotine and related alkaloids, processing, degradation or indirect additives, natural extractives and compounds with unknown roles. Data published here from the project on the Open Characterization of vaping liquids is unique as it offers a detailed understanding of products' flavour chemical profiles, the presence and frequency of chemicals of potential health concern, as well as trends and changes in products' chemical complexity over a three-year period. Non-targeted chemical surveillance such as this present valuable tools to public health officials and researchers in responding to emergent issues such as vaping associated lung injury or informing chemical based strategies which may be aimed at addressing product safety or appeal.
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 | 0,000 | 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 | 0,000 |
| 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 ».