MétaCan
Menu
Retour à la cohorte
Enregistrement W4220953857 · doi:10.1016/j.scitotenv.2022.154445

A risk assessment review of mercury exposure in Arctic marine and terrestrial mammals

2022· article· en· W4220953857 sur OpenAlexafffund
Runé Dietz, Robert J. Letcher, Jon Aars, Magnus Andersen, Andrei Boltunov, Erik W. Born, Tomasz Maciej Ciesielski, Krishna Das, Sam Dastnai, Andrew E. Derocher, Jean‐Pierre Desforges, Igor Eulaers, Steve Ferguson, Ingeborg G. Hallanger, Mads Peter Heide‐Jørgensen, Lars‐Éric Heimbürger‐Boavida, Paul F. Hoekstra, Bjørn Munro Jenssen, Stephen G. Kohler, Martin Mørk Larsen, Ulf Lindstrøm, Anna Lippold, Adam D. Morris, Jacob Nabe‐Nielsen, Nynne H. Nielsen, Elizabeth Peacock, Marianna Pinzone, Frank F. Rigét, Aqqalu Rosing‐Asvid, Heli Routti, Ursula Siebert, Garry B. Stenson, Gary Stern, Jakob Strand, Jens Søndergaard, Gabriele Treu, Gísli A. Víkingsson, Fei Wang, J. M. Welker, Øystein Wiig, Simon Wilson, Christian Sonne

Notice bibliographique

RevueThe Science of The Total Environment · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMercury impact and mitigation studies
Établissements canadiensAboriginal Affairs Northern Dev CanadaUniversity of ManitobaUniversity of WinnipegGrain Farmers of OntarioUniversity of AlbertaFisheries and Oceans CanadaEnvironment and Climate Change CanadaCarleton University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCrown-Indigenous Relations and Northern Affairs CanadaEnvironment and Climate Change CanadaHealth CanadaNorges ForskningsrådAarhus Universitet
Mots-clésMarine mammalArcticUrsus maritimusBeluga WhaleMercury (programming language)BiotaPopulationRisk assessmentThe arcticBlubberBelugaEcologyBiologyEnvironmental scienceGeographyEnvironmental healthMedicineOceanography

Résumé

récupéré en direct d'OpenAlex

There has been a considerable number of reports on Hg concentrations in Arctic mammals since the last Arctic Monitoring and Assessment Programme (AMAP) effort to review biological effects of the exposure to mercury (Hg) in Arctic biota in 2010 and 2018. Here, we provide an update on the state of the knowledge of health risk associated with Hg concentrations in Arctic marine and terrestrial mammal species. Using available population-specific data post-2000, our ultimate goal is to provide an updated evidence-based estimate of the risk for adverse health effects from Hg exposure in Arctic mammal species at the individual and population level. Tissue residues of Hg in 13 species across the Arctic were classified into five risk categories (from No risk to Severe risk) based on critical tissue concentrations derived from experimental studies on harp seals and mink. Exposure to Hg lead to low or no risk for health effects in most populations of marine and terrestrial mammals, however, subpopulations of polar bears, pilot whales, narwhals, beluga and hooded seals are highly exposed in geographic hotspots raising concern for Hg-induced toxicological effects. About 6% of a total of 3500 individuals, across different marine mammal species, age groups and regions, are at high or severe risk of health effects from Hg exposure. The corresponding figure for the 12 terrestrial species, regions and age groups was as low as 0.3% of a total of 731 individuals analyzed for their Hg loads. Temporal analyses indicated that the proportion of polar bears at low or moderate risk has increased in East/West Greenland and Western Hudson Bay, respectively. However, there remain numerous knowledge gaps to improve risk assessments of Hg exposure in Arctic mammalian species, including the establishment of improved concentration thresholds and upscaling to the assessment of population-level effects.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,538
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,013
Tête enseignante GPT0,252
Écart entre enseignants0,239 · 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 tête enseignante, pas un consensus.

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

Citations55
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Science of The Total EnvironmentMême sujetMercury impact and mitigation studiesTravaux en français237 207