Life-Cycle Risk Assessment of Second-Generation Cellulose Nanomaterials
Notice bibliographique
Résumé
A nanomaterial life-cycle risk assessment (Nano LCRA) was conducted for second-generation functionalized cellulose nanomaterials (CNs) in five case studies, including applications in water filtration, food contact packaging (including as an additive and coating), and food additives, to identify and prioritize potential occupational, health, consumer, and environmental risks. Exposure scenarios were developed and ranked for each product life-cycle stage. A Safer-by-Design Toolbox (SbD Toolbox) representing a compendium of high-throughput physical, chemical, and toxicological new approach methodologies (NAMs) was used for a screening-level hazard assessment. Overall, risks identified for the CN-enabled products were low. Of the exposure scenarios, occupational inhalation exposures during product manufacturing and application ranked the highest. Despite differences in chemistry and morphology, the materials behaved similarly in oral, dermal, and inhalation models, supporting their grouping and read-across. The screening-level hazard assessment identified potential lung inflammation associated with CN exposure, and a review of the literature supported this funding, suggesting CNs behave as poorly soluble, low-toxicity dusts with the potential to irritate the lung. Key research gaps to reduce uncertainty include evaluating long-term, low-dose exposures typical of the workplace, as well as the potential release and toxicity of CN-containing composite particles.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».