110 Investigating a cancer cluster in Ontario, Canada using historical occupational hygiene data to evaluate risk of occupational cancers
Notice bibliographique
Résumé
Abstract In 2022, the province of Ontario in Canada had 95,000 cancer cases diagnosed in a population of 15.11 million. The 16 most common occupational carcinogens cause 3,000 cancer diagnoses per year in Ontario. However, there is a lack of awareness of occupational cancers, with just 400 claims submitted on average per year to Ontario’s workers’ compensation insurance agency, of which 170 claims are accepted. A labour union approached the Occupational Health Clinics for Ontario Workers, Inc. (OHCOW) with a request to investigate a potential cancer cluster among a cohort of workers/retirees with exposures to blacksmithing, welding fumes, and diesel exhaust. OHCOW is a not-for-profit labour governed, worker-based network with a team of dedicated health professionals including 18 occupational hygienists. Occupational hygienists at OHCOW are trained to do retrospective exposure assessments using a combination of published data, databases of exposures, and when available, employer occupational hygiene data. Using occupational hygiene reports from the 1970s to 2010s, an occupational hygienist analyzed the workers’ exposures to IARC Group 1 carcinogens to investigate the cluster. This presentation will summarize the challenges of using historical data, the application of current evidence-based occupational exposure limits, the importance of referring to peer-reviewed published literature, and finally the outcomes of the workers’ compensation submissions.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».