Evolution of the Use of Toxicological Data for Evaluating Chemical Safety and Occupational Exposure Limits
Notice bibliographique
Résumé
Abstract Conventional approaches to setting occupational exposure limits (OELs) by regulatory agencies are reviewed. Example OEL derivations show how guidance values are developed in practice. OEL values from various agencies may differ. We present a framework to help select the most appropriate OELs in practice. Use of the framework is demonstrated by OELs for n ‐hexane, a data‐rich chemical and methamphetamine, a data‐poor chemical. Looking forward, “New Approach Methodologies” (NAMs) continue to develop generating chemical toxicological data via high‐throughput in vitro screening assays, computational toxicology, and other methods. NAMs for chemical risk assessment have received support from organizations such as the Organization for Economic Cooperation and Development (OECD), which has validated a number of alternative test methods. Seven NAMs case studies for chemical screening and priority‐setting are presented. Future applications of NAMs in toxicological risk assessment and occupational environments are reviewed using a four‐level tiered testing framework previously proposed by Andersen and colleagues. The use of NAMs provides increased throughput, improved mechanistic understanding in toxicological testing and reduced costs compared to traditional mammalian toxicity testing. The formal application of NAMs in setting OELs is an area of ongoing development, and more widespread application of NAMs in deriving OELs is expected in the future.
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 | 0,000 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».