MiXie, an Online Tool for Better Health Assessment of Workers Exposed to Multiple Chemicals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There is increasing concern for workers facing multiple chemical exposure. The accumulation of information on occupational conditions indicates the need to incorporate the concept of multiple exposures in the risk assessment process and to develop tools for assessing the potential impacts of multiple exposures on workers' health. Our objective is to describe the MiXie online decision-making tool that can be used to assess the risk of exposure to multiple chemicals. The description includes the development of MiXie, the structure of its toxicological database according to the target organ or the mode of action, and the algorithm for quantitative analysis of a mixture. Two case studies of its use in evaluating the risks of multiple exposures in real workplace situations are presented. The case study in the printing industry showed increased risk for four toxicological classes (central nervous system damage, ocular damage, skin damage, and ototoxicity) associated with co-exposure to four chemicals during maintenance operations. The MiXie analysis also showed the presence of carcinogenic substances in the mixture and a risk to the development of the foetus. The case study in nail salons showed the presence of carcinogenic and sensitizing chemicals and an increased risk to upper airways. MiXie helps preventers evaluate the possible additive effects of mixtures, providing an easy-to-read diagnosis to identify risks incurred by co-exposed employees. In addition, MiXie identifies risky occupational situations that would go unnoticed without a multiple substance approach.
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.
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 | 0,002 | 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 découle