A review of lead exposure source attributional studies
Notice bibliographique
Résumé
Despite the global phase-out of leaded gasoline, lead poisoning is estimated to cause 5.5 million premature deaths and the loss of 765 million IQ points annually. However, the contributions of different lead exposure sources to blood lead levels (BLLs) are poorly understood. We conducted a systematic literature review using the Scopus database, examining 39 studies that attribute BLLs to specific sources of lead exposure, published since the year 2000 and with sample sizes >100. The 39 studies were from 26 countries; 22 were from low- and middle-income countries, with an average sample size of 1003 participants. Twenty-three of the studies reported absolute BLL impacts (μg/L) from lead exposure sources, other studies reported odds ratios for elevated BLLs (>50 or > 100 μg/L). Averaged across the studies, the BLL impacts were 42.3 μg/L from living near industrial lead pollution hotspots, 31.4 μg/L from occupational and take-home exposure, 28.0 μg/L from deteriorated paint, 19.8 μg/L from traditional medicines and cosmetics, 19.3 μg/L from foodware (glazed ceramics and melamine plates), 17.3 μg/L from smoking, 15.4 μg/L from foods, and 12.9 μg/L from geophagy. Only one of the reviewed studies assessed the BLL impact of metal cookware, and did not find a significant relationship with BLLs. However, the statistical power of the attributional studies to detect relationships with BLLs was often limited. Future studies should investigate the ingestion routes from industrial pollution, the contamination of foods and spices, BLL impacts of lead-contaminated metal cookware, and traditional medicines administered to young children and infants.
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 | 0,003 | 0,001 |
| 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 | 0,005 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| 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 ».