Urinary metals and their associations with DNA oxidative damage among e-waste recycling workers in Hong Kong
Notice bibliographique
Résumé
Recycling electronic waste (e-waste) poses risks of metal exposure, potentially leading to health impairments. However, no previous study has focused on this issue in Hong Kong. Therefore, from June 2021 to September 2022, this study collected urine samples from 101 e-waste workers and 100 office workers in Hong Kong to compare their urinary levels of metals using ICP-MS. Among the 15 included metals (with detection rates above the 70 % threshold), eight showed significantly higher urinary concentrations (unit: μg/g creatinine) in e-waste workers compared to office workers: Li (25.09 vs. 33.36), Mn (1.78 vs. 4.15), Ni (2.10 vs. 2.77), Cu (5.81 vs. 9.23), Zn (404.35 vs. 431.52), Sr (151.33 vs. 186.26), Tl (0.35 vs. 0.43), and Pb (0.69 vs. 1.16). E-waste workers in Hong Kong generally exhibited lower metal levels than those in developing regions but higher than their counterparts in developed areas. The urine level of 8-hydroxy-2-deoxyguanosine (8-OHdG) was determined by HPLC-MS/MS, and no significant difference was found between the two groups. Multiple linear regression models revealed no significant association between individual metal and urinary 8-OHdG concentrations. However, the metal mixture was identified to marginally elevate the 8-OHdG concentrations (1.12, 95 %CI: 0.04, 2.19) by quantile g‑computation models, with Mn and Cd playing significant roles in such effect. In conclusion, while the metal levels among Hong Kong e-waste workers compared favorably with their counterparts in other regions, their levels were higher than those of local office workers. This underscores the need for policymakers to prioritize attention to this unique industry.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».