Physiologically based pharmacokinetic modeling of metal nanoparticles for risk assessment of inhalation exposures: a state-of-the-science expert panel review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A critical review of the current state-of-the-science for the physiologically based pharmacokinetic (PBPK) modeling of metal nanoparticles and their application to human health risk assessment for inhalation exposures was conducted. A systematic literature search was used to identify four model groups (defined as a primary publication along with multiple supplementary publications) subject to review. Using a recent guideline document from the Organization for Economic Cooperation and Development (OECD) for PBPK model evaluation, these model groups were critically peer-reviewed by an independent panel of experts to identify those to be considered for modeling and simulation application. Based upon the expert panel input, model confidence scores for the four model groups ranged from 30 to 41 (out of a maximum score of 50). The three highest-scoring model groups were then applied to compare predictions to a different metal nanoparticle (i.e. not specifically used to parameterize the original models) using a recently published data set for tissue burdens in rats, as well as predicting human tissue burdens expected for corresponding occupational exposures. Overall, the rat models performed reasonably well in predicting the lung but tended to overestimate systemic tissue burdens. Data needs for improving the state-of-the-science, including quantitative particle characterization in tissues, nanoparticle-corona data, long-term exposure data, interspecies extrapolation methods, and human biomonitoring/toxicokinetic data are discussed.
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.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle