Temporal variability of nickel levels using repeated biomonitoring data
Notice bibliographique
Résumé
BACKGROUND AND AIM: The toxicity of nickel to humans is well known, but studies on exposure levels related to metabolism in the human body are insufficient. We studied the distribution of nickel in three biological tissues in the body. METHOD: We recruited 50 healthy participants living in Busan, South Korea. Biological tissues were collected four times in March 2020, August 2020, June 2021, and November 2021. Nickel concentrations were analyzed using inductively coupled plasma-mass spectrometry (ICP-MS) at Dong-A University Environmental Health Center. RESULTS: The results showed that the accuracy and precision of all three tissues were within ±15%, and the geometric mean (GM) of nickel concentration in blood was high in November (blood: 1.197 µg/L), and the GM of nickel concentration in serum and urine was high in March (serum: 1.146 µg/L, urine: 1. 893 µg/L). Temporal variation had a significantly affected nickel levels in blood (p-value: 0.004), serum (p-value: 0.001), and urine (p-value: 0.001). The intraclass correlations of blood and urinary nickel were 8.05% and 6.4%, respectively. The GM of blood nickel in Italy (0.89 µg/L) was comparable to this study (1.03 µg/L), but serum nickel in Italy (0.35 µg/L) was about a-half of this study (0.69 µg/L). Urinary nickel was compared to international reference values (RV95), and no participants exceeded the RV95 values for Canada, France, or Germany. The correlation coefficient of nickel concentration in the three tissues was low. This study shows that nickel levels in the body vary depending on the time of sampling and that the intra-individual correlation is greater than the inter-individual correlation. CONCLUSIONS: Therefore, future research is needed on biomarkers that can adequately reflect the level of nickel in the body by considering the source and route of exposure.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».