128 Assessing potential health risks from multi-exposure to chemicals in U.S. workplaces: findings from the OSHA database
Notice bibliographique
Résumé
Abstract Introduction The combined effects of occupational exposure to multiple chemicals on health can be substantial. However, the most prevalent multi-exposure situations and their toxic effects remain understudied. We assessed the health risks from multi-exposure to chemicals in U.S. workplaces using the Occupational Safety and Health Administration’s (OSHA) measurement database. Methods We analysed personal air measurements for the period 1971-2021 summarized by workplace situation (WS), corresponding to measurements taken for the same job title, within a company, within a year. We calculated hazard quotients (HQ) by dividing the agents’ concentrations by their ACGIH® threshold limit value. We calculated the mixtures’ hazard indices (HI) by summing the HQs of agents by combination of WS and toxicological class (n=24) using the MiXie tool, which identifies classes of toxic effects for >700 chemicals. Results We extracted 609,233 measurements of 206 chemicals from 162,473 WSs. Workers in 58,252 WSs were exposed to ≥2 agents, of which 21,563 had an HI>1, indicating overexposure for at least one toxicological class. Toxicological classes with the highest HIs among multi-exposed WSs were lower airway damage (median 0.41; interquartile interval 0.05-1.9; percentage of overexposed WSs 35%), ototoxicity (0.28; 0.04-1.1; 26%) and central nervous system (CNS) damage (0.26; 0.02-1.2; 28%). For these three classes respectively, the most frequent multi-exposures leading to high values of HI were manganese-iron oxides, toluene-xylene and manganese-lead. Conclusions Although the OSHA database does not necessarily represent a random sample of U.S. workplaces, our approach provides insights into the health risks of occupational exposures to prevalent chemical mixtures.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».