Challenges in defining thresholds for health effects: some considerations for asbestos and silica
Notice bibliographique
Résumé
This paper summarizes several presentations in the Thresholds in Epidemiology and Risk Assessment session at the Monticello III conference. These presentations described evidence regarding thresholds for particles, including asbestos and silica, and cancer (e.g., mesothelioma) and noncancer (e.g., silicosis) endpoints. In the case of exposure to various types of particles and malignancy, it is clear that even though a linear non-threshold model has often been assumed, experimental and theoretical support for thresholds exist (e.g., through particle clearance, repair mechanisms, and various other aspects of the carcinogenic process). For mesothelioma and exposure to elongate mineral particles (EMPs), there remains controversy concerning the epidemiological demonstration of thresholds. However, using data from the Québec mining cohort studies, it was shown that a "practical" threshold exists for chrysotile exposure and mesothelioma. It was also noted that, in such evaluations, measurement error in diagnosis and exposure assessment needs to be incorporated into risk analyses. Researchers were also encouraged to use biobanks that collect specimens and data on mesothelioma to more precisely define cases of mesothelioma and possible variants for cases of all ages, and trends that may help define background rates and distinguish those mesotheliomas related to EMP exposures from those that are not, as well as other factors that support or define thresholds. New statistical approaches have been developed for identifying and quantifying exposure thresholds, an example of which is described for respirable crystalline silica (RCS) exposure and silicosis risk. Finally, the application of Artificial Intelligence (AI) to considering the multiple factors influencing risk and thresholds may prove useful.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».