Multilevel modeling of concentration-response data can improve risk assessment: a case study of copper effects on fish
Notice bibliographique
Résumé
Ecological risk assessors can use concentration-response models to estimate the expected biological effect corresponding to a particular concentration or dose of a chemical or to derive a site-specific concentration or benchmark dose corresponding to a specific magnitude of effect. For toxicologists, fitting concentration-response relationships to data for individual experiments is routine work. For risk assessors, however, a focus on single experiments is usually inappropriate because of the desire to characterize risks accurately and to fully account for uncertainties. Use of a single experiment while excluding other good-quality experiments can result in estimates that do not accurately represent all available information. For a risk assessment, the full range of possible concentration-response relationships that reflect variation among experiments is relevant. For datasets comprising multiple concentration-response experiments, mixed-effects, or hierarchical models, collectively referred to herein as multilevel models, are suitable because they simultaneously fit a global mean relationship while accounting for variability among subsets of the data. Here, we demonstrate a case study of multilevel concentration-response modeling of the effects of copper on salmonids. Using studies compiled to support development of aquatic life guidelines and criteria in Canada and the United States, we extracted raw concentration-response data from either the publications or through contact with study authors. Our final dataset focused on survival as the endpoint and included 20 experiments from six studies. We fit several generalized linear mixed-effect models, allowing for varying intercepts or slopes among studies and experiments. Once a preferred random-effects structure was identified, we then incorporated known toxicity modifying factors of copper as covariates and identified a preferred final model. Last, to more fully account for uncertainties, we refit the preferred model in a Bayesian framework. The magnitude of random variation among studies and experiments was considerable, highlighting the potential pitfalls of estimating risks based on single experiments.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 ».