Assessment of Micronutrient Status of Electronic Waste (E-waste) Recyclers at Agbogbloshie (Ghana) Using Dietary Information and Biomarker Data
Notice bibliographique
Résumé
Abstract Background: Growing evidence suggests that heavy metals (e.g., cadmium, lead and arsenic) negatively influence micronutrient status. Electronic waste (e-waste) recyclers are amongst the highest metals-exposed groups worldwide, though their micronutrient status is yet to be explored. This study therefore assessed the micronutrient status of e-waste recyclers using dietary information and biomarker data. Methods: Micronutrient status of 151 participants (100 e-waste recyclers and 51 controls from the Accra region, Ghana) was assessed in March 2017 using a 2-day 24-hour recall survey and biomarker (blood and urine) levels. Blood and urine levels of iron [Fe], calcium [Ca], magnesium [Mg], selenium [Se], zinc [Zn] and copper [Cu] were analyzed by ICP-MS. Linear regression models were used to assess associations between work-related factors and sociodemographic characteristics with micronutrient intake, blood and urine micronutrient levels. Results: Dietary Fe and Zn were adequately consumed among the e-waste recyclers. Meanwhile, micronutrients—such as Ca, Se, Mg and Cu—were inadequately consumed by e-waste recyclers and controls. Except for the low levels of Mg and Fe detected in blood of e-waste recyclers, all other micronutrients measured in both blood and urine of both groups fell within their reference range. Exposure to biomass burning was associated with lower blood levels of Fe, Mg and Zn among the e‑waste recyclers. Further, among e-waste recyclers, significant relationships were found between the number of years of spent recycling e-waste and urinary Ca and Cu excretion. Conclusion: Apart from Fe and Zn , e-waste recyclers at Agbogbloshie did not meet the day to day dietary requirements for Ca, Cu, Se, and Mg intake. In addition, exposure to biomass burning could lead to reductions in Fe, Mg, and Zn uptake in blood. Given that, blood levels of micronutrients such as Mg and Fe were below their reference ranges, the implementation of evidence-based nutrition strategies remains necessary among e-waste recyclers to reduce their risk of becoming malnourished. Trial Registration: Not applicable
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 | 0,000 |
| 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 | 0,002 |
| 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 ».