Mercury exposure and health risks associated with use of skin-lightening products: A systematic review
Notice bibliographique
Résumé
Abstract Background The Minamata Convention on Mercury (Article 4) prohibits the manufacture, import or export of skin-lightening products containing mercury concentrations above 1 μg/g. However, there is a lack of knowledge surrounding the global prevalence of mercury-added skin-lightening products. Objective The objective of this study was to increase our understanding of worldwide human mercury exposure and associated health risks from the use of skin-lightening products. Methods A systematic search of peer-reviewed scientific literature was performed in four databases (PubMed, Web of Science Core Collection, Scopus, and Toxline). The initial search in July of 2018 identified 1,711 unique scientific articles, of which 34 were ultimately deemed eligible for inclusion after iterative screens at the title, abstract, and whole text levels. A second search was performed in November of 2020 using the same methods, of which another 7 scientific articles were included. All papers were organized according to four data groups 1) “Mercury in products”, 2) “Usage of products”, 3) “Human biomarkers of exposure”; and 4) “Health impacts”, prior to data extraction and synthesis. Results This review was based on data contained within 41 peer-reviewed scientific papers from 22 countries worldwide published between 2000 and 2020. In total, we captured mercury concentration values from 787 skin-lightening product samples (overall pooled central median mercury level was 0.49 μg/g, IQR: 0.02 – 5.9) and 1,042 human biomarker measurements from 863 individuals. We also synthesized usage information from 3,898 individuals, and self-reported health impacts associated with using mercury-added products from 832 individuals. Discussion This review suggests that mercury widely exists as an active ingredient in many skin-lightening products worldwide, and that users are at risk of variable, and often high exposures. These synthesized findings help increase our understanding of the health risks associated with the use of these products.
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 | 0,006 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».