Evaluation\nof Firefighter Exposure to Wood Smoke during\nTraining Exercises at Burn Houses
Notice bibliographique
Résumé
Smoke from wood-fueled fires is one\nof the most common hazards\nencountered by firefighters worldwide. Wood smoke is complex in nature\nand contains numerous compounds, including methoxyphenols (MPs) and\npolycyclic aromatic hydrocarbons (PAHs), some of which are carcinogenic.\nChronic exposure to wood smoke can lead to adverse health outcomes,\nincluding respiratory infections, impaired lung function, cardiac\ninfarctions, and cancers. At training exercises held in burn houses\nat four fire departments across Ontario, air samples, skin wipes,\nand urine specimens from a cohort of firefighters (<i>n</i> = 28) were collected prior to and after exposure. Wood was the primary\nfuel used in these training exercises. Air samples showed that MP\nconcentrations were on average 5-fold greater than those of PAHs.\nSkin wipe samples acquired from multiple body sites of firefighters\nindicated whole-body smoke exposure. A suite of MPs (methyl-, ethyl-,\nand propylsyringol) and deconjugated PAH metabolites (hydroxynaphthalene,\nhydroxyfluorene, hydroxyphenanthrene, and their isomers) were found\nto be sensitive markers of smoke exposure in urine. Creatinine-normalized\nlevels of these markers were significantly elevated (<i>p</i> < 0.05) in 24 h postexposure urine despite large between-subject\nvariations that were dependent on the specific operational roles of\nfirefighters while using personal protective equipment. This work\noffers deeper insight into potential health risk from smoke exposure\nthat is needed for translation of better mitigation policies, including\nimproved equipment to reduce direct skin absorption and standardized\nhygiene practices implemented at different regional fire services.
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 | 0,000 | 0,002 |
| 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 | 0,001 | 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) | 0,453 | 0,022 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».