A science-based agenda for health-protective chemical assessments and decisions: overview and consensus statement
Notice bibliographique
Résumé
The manufacture and production of industrial chemicals continues to increase, with hundreds of thousands of chemicals and chemical mixtures used worldwide, leading to widespread population exposures and resultant health impacts. Low-wealth communities and communities of color often bear disproportionate burdens of exposure and impact; all compounded by regulatory delays to the detriment of public health. Multiple authoritative bodies and scientific consensus groups have called for actions to prevent harmful exposures via improved policy approaches. We worked across multiple disciplines to develop consensus recommendations for health-protective, scientific approaches to reduce harmful chemical exposures, which can be applied to current US policies governing industrial chemicals and environmental pollutants. This consensus identifies five principles and scientific recommendations for improving how agencies like the US Environmental Protection Agency (EPA) approach and conduct hazard and risk assessment and risk management analyses: (1) the financial burden of data generation for any given chemical on (or to be introduced to) the market should be on the chemical producers that benefit from their production and use; (2) lack of data does not equate to lack of hazard, exposure, or risk; (3) populations at greater risk, including those that are more susceptible or more highly exposed, must be better identified and protected to account for their real-world risks; (4) hazard and risk assessments should not assume existence of a "safe" or "no-risk" level of chemical exposure in the diverse general population; and (5) hazard and risk assessments must evaluate and account for financial conflicts of interest in the body of evidence. While many of these recommendations focus specifically on the EPA, they are general principles for environmental health that could be adopted by any agency or entity engaged in exposure, hazard, and risk assessment. We also detail recommendations for four priority areas in companion papers (exposure assessment methods, human variability assessment, methods for quantifying non-cancer health outcomes, and a framework for defining chemical classes). These recommendations constitute key steps for improved evidence-based environmental health decision-making and public health protection.
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 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 | 0,003 | 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 | 0,002 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».