Toxic Beauty: Evaluating the Toxicological Risks of Heavy Metals in Facial Cosmetics and Implications for Public Health in Calabar, Nigeria
Notice bibliographique
Résumé
Facial cosmetics beautify, but combined usage may expose users to harmful heavy metals. This study evaluates that toxic risk. A survey involving 300 female participants was conducted to identify the most commonly used cosmetic brands—Brands A, B, C, and D. A total of 576 cosmetic samples, including foundations, face powders, lipsticks, and eye pencils, were purchased bimonthly over six months. Samples were prepared through acid digestion and analyzed for metal content using atomic absorption spectrophotometry. Health risk assessment was conducted using systemic exposure dosage (SED), margin of safety (MoS), hazard quotient (HQ), hazard index (HI), and lifetime cancer risk (LCR) models. Metals concentrations (mg/kg) across all brands were in the following ranges: lead (0.066-0.789), cadmium (0.093-0.787), chromium (0.049-0.543), cobalt (0.048-0.902), nickel (0.033-0.704), and iron (0.021-0.641). Metal concentrations varied significantly across brands and product types (ANOVA, p≤0.05). Nickel and cadmium levels in most products exceeded WHO and Health Canada limits. The SED values revealed that Co, Cd, and Pb posed the highest risks, particularly in Brand A and Brand C products. MoS calculations indicated that Cd and Co posed significant safety concerns. HQ values confirmed that Cd and Co exceeded the non-carcinogenic risk threshold. The HI values were above unity, suggesting cumulative health risks. LCR values for Cd, Ni, and Cr were above the acceptable risk range, indicating potential cancer risks. The study concludes that prolonged use of studied cosmetics poses both carcinogenic and non-carcinogenic risks. Routine screening of cosmetic products to ensure compliance with safety standards is strongly recommended.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».