MétaCan
Menu
Retour à la cohorte
Enregistrement W4212893393 · doi:10.1073/pnas.2113947119

Pharmaceutical pollution of the world’s rivers

2022· article· en· W4212893393 sur OpenAlexafffund
John L. Wilkinson, Alistair B.A. Boxall, Dana W. Kolpin, Kmy Leung, Racliffe Weng Seng Lai, Cristóbal Galbán‐Malagón, Aiko D. Adell, Julie Mondon, Marc Métian, Rob Marchant, Alejandra Bouzas‐Monroy, Aida Cuní‐Sanchez, Anja Coors, Pedro Carriquiriborde, Macarena Rojo, Christopher Gordon, Magdalena Cara, Monique Moermond, Thais Luarte, Vahagn Petrosyan, Yekaterina Perikhanyan, Clare S. Mahon, Christopher J. McGurk, Thilo Hofmann, Tapos Kormoker, Volga Iñiguez, Jessica Guzman-Otazo, Jean Leite Tavares, Francisco Gildasio De Figueiredo, María Tereza Pepe Razzolini, Victorien Dougnon, Gildas Gbaguidi, Oumar Traoré, Jules M. Blais, Linda E. Kimpe, Michelle Wong, Donald Wong, Romaric Ntchantcho, Jaime Pizarro, Guang‐Guo Ying, Chang-Er Chen, Martha Isabel Páez-Melo, Jina Martínez-Lara, Jean‐Paul Otamonga, John Poté, Suspense A. Ifo, Penelope Wilson, Silvia Echeverría-Sáenz, Nikolina Udiković‐Kolić, Milena Milaković, Despo Fatta‐Kassinos, Lida Ioannou‐Ttofa, Vladimíra Belušová, Jan Vymazal, María Cárdenas-Bustamante, Bayable A. Kassa, Jeanne Garric, Arnaud Chaumot, Peter Gibba, Ilia Kunchulia, Sven Seidensticker, Gérasimos Lyberatos, Halldór Pálmar Halldórsson, Molly Melling, Shashidhar Thatikonda, Manisha Lamba, Anindrya Nastiti, Adee Supriatin, Nima Pourang, Ali Abedini, Omar Abdullah, Salem Gharbia, Francesco Pilla, Benny Chefetz, Tom Topaz, Koffi Marcellin Yao, Bakhyt Aubakirova, Raikhan Beisenova, Lydia Olaka, Jemimah K. Mulu, Peter Chatanga, Victor Ntuli, Nathaniel T. Blama, Sheck Sherif, Ahmad Zaharin Aris, Ley Juen Looi, Mahamoudane Niang, Seydou T. Traore, Rik Oldenkamp, Olatayo Michael Adetayo Ogunbanwo, Muhammad Ashfaq, Muhammad Iqbal, Ziad Abdeen, Aaron O’Dea, Jorge Manuel Morales‐Saldaña, María Custodio, Heidi De la Cruz, Ian A. Navarrete, Fábio Carvalho, Alhaji Brima Gogra, Bashiru M. Koroma, Vesna Cerkvenik‐Flajs, Mitja Gombač, Melusi Thwala, Kyungho Choi, Habyeong Kang, John Leju Celestino Ladu, Andreu Rico, Priyanie Amerasinghe, Anna Sobek, Gisela Horlitz, Armin Zenker, Alex C. King, Jheng‐Jie Jiang, Rebecca Kariuki, Madaka Tumbo, Ulaş Tezel, Turgut T. Onay, Julius B. Lejju, Yuliya Vystavna, Yuriy Vergeles, Horácio Heinzen, Andrés Pérez‐Parada, Douglas B. Sims, Maritza Figy, David A. Good, Charles Teta

Notice bibliographique

RevueProceedings of the National Academy of Sciences · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePharmaceutical and Antibiotic Environmental Impacts
Établissements canadiensUniversity of GuelphUniversity of Ottawa
Organismes subventionnairesSchool of Public Health, Imperial College LondonInstitute of HydrobiologySmithsonian Tropical Research InstituteUniversidade de São PauloU.S. Geological SurveyNorthwestern UniversitySeoul National UniversityNazarbayev UniversityMbarara University of Science and TechnologyAgencia Nacional de Investigación y DesarrolloStockholms UniversitetInstitut chilien de l'AntarctiqueUniversiti Putra MalaysiaMedical Research CouncilUniversity of CyprusPatuakhali Science and Technology UniversityUniverza v LjubljaniIndian Institute of Technology DelhiAddis Ababa UniversityUniversidad del ValleKarolinska InstitutetČeská Zemědělská Univerzita v PrazeUniversity of GhanaNational and Kapodistrian University of AthensNational Technical University of AthensIranian Fisheries Science Research InstituteHebrew University of JerusalemKingston UniversityAkademie Věd České RepublikyUniversität WienUniversity of GujratMinistry of Education, IndiaChung Yuan Christian UniversityInternational Atomic Energy AgencyUniversité de GenèveSouth China Normal UniversityHáskóli ÍslandsDeakin UniversityUniversity of Dar es SalaamUniversity of OttawaImperial College LondonBritish CouncilUniversidad Nacional de La PlataUniversity College DublinUniversidad de Santiago de ChileUniversiteit van AmsterdamCity University of Hong KongSmithsonian Institution
Mots-clésPollutionScale (ratio)Environmental scienceGeographyAquatic ecosystemDeveloping countryEnvironmental protectionEnvironmental healthEnvironmental resource managementEcologyBiologyCartographyMedicine

Résumé

récupéré en direct d'OpenAlex

Environmental exposure to active pharmaceutical ingredients (APIs) can have negative effects on the health of ecosystems and humans. While numerous studies have monitored APIs in rivers, these employ different analytical methods, measure different APIs, and have ignored many of the countries of the world. This makes it difficult to quantify the scale of the problem from a global perspective. Furthermore, comparison of the existing data, generated for different studies/regions/continents, is challenging due to the vast differences between the analytical methodologies employed. Here, we present a global-scale study of API pollution in 258 of the world's rivers, representing the environmental influence of 471.4 million people across 137 geographic regions. Samples were obtained from 1,052 locations in 104 countries (representing all continents and 36 countries not previously studied for API contamination) and analyzed for 61 APIs. Highest cumulative API concentrations were observed in sub-Saharan Africa, south Asia, and South America. The most contaminated sites were in low- to middle-income countries and were associated with areas with poor wastewater and waste management infrastructure and pharmaceutical manufacturing. The most frequently detected APIs were carbamazepine, metformin, and caffeine (a compound also arising from lifestyle use), which were detected at over half of the sites monitored. Concentrations of at least one API at 25.7% of the sampling sites were greater than concentrations considered safe for aquatic organisms, or which are of concern in terms of selection for antimicrobial resistance. Therefore, pharmaceutical pollution poses a global threat to environmental and human health, as well as to delivery of the United Nations Sustainable Development Goals.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,333
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1 509
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of the National Academy of SciencesMême sujetPharmaceutical and Antibiotic Environmental ImpactsTravaux en français237 207