Occupational Exposure to Silica Dust and Silicosis Risk in Chinese Noncoal Mines: Qualitative and Quantitative Risk Assessment
Notice bibliographique
Résumé
BACKGROUND: Despite increasing awareness, silica dust-induced silicosis still contributes to the huge disease burden in China. Worryingly, recent silica dust exposure levels and silicosis risk in Chinese noncoal mines remain unclear. OBJECTIVE: We aimed to determine recent silica dust exposure levels and assess the risk of silicosis in Chinese noncoal mines. METHODS: Between May and December 2020, we conducted a retrospective cohort study on 3 noncoal mines and 1 public hospital to establish, using multivariable Cox regression analyses, prediction formulas of the silicosis cumulative hazard ratio (H) and incidence (I) and a cross-sectional study on 155 noncoal mines in 10 Chinese provinces to determine the prevalence of silica dust exposure (PDE), free silica content, and total dust and respirable dust concentrations. The qualitative risk of silicosis was assessed using the International Mining and Metals Commission's risk-rating table and the occupational hazard risk index; the quantitative risk was assessed using prediction formulas. RESULTS: Kaplan-Meier survival analysis revealed significant differences in the silicosis probability between silica dust-exposed male and female miners (log-rank test χ21=7.52, P=.01). A total of 126 noncoal mines, with 29,835 miners and 4623 dust samples, were included; 13,037 (43.7%) miners were exposed to silica dust, of which 12,952 (99.3%) were male. The median PDE, free silica content, total dust concentration, and respirable dust concentration were 61.6%, 27.6%, 1.30 mg/m3, and 0.58 mg/m3, respectively, indicating that miners in nonmetal, nonferrous metal, small, and open-pit mines suffer high-level exposure to silica dust. Comprehensive qualitative risk assessment showed noncoal miners had a medium risk of silicosis, and the risks caused by total silica dust and respirable silica dust exposure were high and medium, respectively. When predicting H and I over the next 10, 20, and 30 years, we assumed that the miner gender was male. Under exposure to current total silica dust concentrations, median I10, I20, and I30 would be 6.8%, 25.1%, and 49.9%, respectively. Under exposure to current respirable silica dust concentrations, median I10, I20, and I30 would be 6.8%, 27.7%, and 57.4%, respectively. These findings showed that miners in nonmetal, nonferrous metal, small, and open-pit mines have a higher I and higher qualitative silicosis risk. CONCLUSIONS: Chinese noncoal miners, especially those in nonmetal, nonferrous metal, small, and open-pit mines, still suffer high-level exposure to silica dust and a medium-level risk of silicosis. Data of both total silica dust and respirable silica dust are vital for occupational health risk assessment in order to devise effective control measures to reduce noncoal mine silica dust levels, improve miners' working environment, and reduce the risk of silicosis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».