Addressing systemic problems with exposure assessments to protect the public’s health
Notice bibliographique
Résumé
BACKGROUND: Understanding, characterizing, and quantifying human exposures to environmental chemicals is critical to protect public health. Exposure assessments are key to determining risks to the general population and for specific subpopulations given that exposures differ between groups. Exposure data are also important for understanding where interventions, including public policies, should be targeted and the extent to which interventions have been successful. In this review, we aim to show how inadequacies in exposure assessments conducted by polluting industries or regulatory agencies have led to downplaying or disregarding exposure concerns raised by communities; that underestimates of exposure can lead regulatory agencies to conclude that unacceptable risks are, instead, acceptable, allowing pollutants to go unregulated; and that researchers, risk assessors, and policy makers need to better understand the issues that have affected exposure assessments and how appropriate use of exposure data can contribute to health-protective decisions. METHODS: We describe current approaches used by regulatory agencies to estimate human exposures to environmental chemicals, including approaches to address limitations in exposure data. We then illustrate how some exposure assessments have been used to reach flawed conclusions about environmental chemicals and make recommendations for improvements. RESULTS: Exposure data are important for communities, public health advocates, scientists, policy makers, and other groups to understand the extent of environmental exposures in diverse populations. We identify four areas where exposure assessments need to be improved due to systemic sources of error or uncertainty in exposure assessments and illustrate these areas with examples. These include: (1) an inability of regulatory agencies to keep pace with the increasing number of chemicals registered for use or assess their exposures, as well as complications added by use of 'confidential business information' which reduce available exposure data; (2) the failure to keep assessments up-to-date; (3) how inadequate assumptions about human behaviors and co-exposures contribute to underestimates of exposure; and (4) that insufficient models of toxicokinetics similarly affect exposure estimates. CONCLUSION: We identified key issues that impact capacity to conduct scientifically robust exposure assessments. These issues must be addressed with scientific or policy approaches to improve estimates of exposure and protect public health.
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 | 0,451 | 0,563 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,015 |
| Communication savante | 0,012 | 0,018 |
| Science ouverte | 0,010 | 0,013 |
| Intégrité de la recherche | 0,008 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».