Assessing exposure to occupational chemicals in large-scale epidemiological studies on occupational cancers
Notice bibliographique
Résumé
When pooling data across community-based case-control studies exposure assessment has to be redone in order to overcome the issue of the lowest common denominator. Also when exposure assessment is based on expert judgement, no straightforward approaches exist for calibration and pooling of these exposure estimates. Often though, complete and detailed occupational histories of study participants will be available which can be used for a standardised approach across centres/ studies. For instance in the SYNERGY project we successfully managed to collect actual exposure measurements across Europa and Canada covering almost 4 decades (1970-2010). Based on this wealth of exposure data a JEM could be elaborated with quantitative estimates of level of exposure by job, year and region. Combining this JEM with occupational histories of cases and controls resulted in quantitative exposure histories which allowed derivation of quantitative exposure response relationships for amongst others silica and asbestos. In industry-based cohort studies exposure assessment can often be performed at a more detailed level by ascertaining detailed occupational histories and collecting production characteristics in multiple companies enrolled in a cohort study. By collecting industry-specific measurements with detailed auxiliary information very detailed exposure models can be derived. Consequently these models will allow for quantitative exposure estimates at the detailed level of exposure scenario (rather than at the level of a job). For instance, in the European Asphalt Workers study we were able to estimate quantitatively workers exposure to bitumen fume, organic vapour, and benzo(a)pyrene. Standardisation of exposure assessment tools, approaches and empirical modelling are needed in this day and age where big data will be the norm and will be needed to discern undetected health risks. However, availability of actual measurements of workers' exposure will stay a prerequisite in order to calibrate and validate exposure assessment methods employed in large-scale epidemiological studies on occupational health risks.
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 | 0,001 | 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 | 0,000 |
| 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 ».