E-Cigarette Toxicology and Public Health — Exploring the Safety of E-Cigarette Compared to Traditional Cigarette
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the popularity of e-cigarettes, there are concerns about the potential health risks associated with inhaling e-cigarette aerosols, which contain a complex mixture of chemicals including nicotine, flavourings and poisons. This paper presents a systematic toxicological analysis of several chemicals commonly found in e-cigarettes. The chemical properties and toxicity of nicotine, propylene glycol, vegetable glycerin, benzaldehyde and cinnamaldehyde are discussed in relation to their use in e-cigarettes, with an emphasis on the hidden health risks involved. Nicotine is a highly addictive alkaloid that causes oxidative stress, neuronal apoptosis, DNA damage, and is highly toxic. E-cigarette solvents, such as vegetable glycerine and propylene glycol, can activate melanin production in the skin and raise the likelihood respiratory infections. Flavouring agents like benzaldehyde and cinnamaldehyde can induce cellular damage and heighten the susceptibility to disease like cancer and cardiovascular disease, particularly in individuals with specific genetic variants of the ALDH2 enzyme. The discussion revealed a lack of research to fully understand and assess prolonged health effects of e-cigarette use. However, both clinical and marketing should highlight the known possible risks. Clinicians should advise patients accordingly, and regulators must closely monitor the sale and promotion of e-cigarettes and be transparent about any potential harms to safeguard the welfare of consumers.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découle