Firefighter exposures during structural fires: An overview of real-world data
Notice bibliographique
Résumé
This paper examines firefighter exposure to emissions during actual firefighting in building scenarios. The focus is on actual exposure, not small-scale lab tests, to identify research gaps in light of the International Agency for Research on Cancer (IARC) classification of firefighting as an occupation with a heightened risk for certain types of cancer. The work is based on a systematic literature review of all literature published up to 2025, including only studies that measured both emissions and firefighter exposures during actual structure fires. Of the 6860 articles identified from various databases and sources, 76 articles correspond to the inclusion criteria for this review, following a rigorous screening process. Our findings show that, although substantial research has been conducted over the past few decades, the majority of the studies were concentrated in the United States. Fewer studies were identified from Australia, Canada, and select European countries, while no studies identified originated from Africa. Female (women) firefighters were either entirely excluded or represented less than 10 % of study cohorts. These findings underscore critical gaps in both geographic and demographic representation in the existing body of research. Additionally, firefighter exposure during overhaul operations and to ultra fine particles in fire emissions remain largely understudied. • Firefighter exposure has been extensively studied over the past decades. • The literature is geographically thinly spread, mostly concentrated in the US. • Female firefighters are excluded from most studies. • Overhaul phase is relatively understudied. • Firefighter exposure to ultra fine particles is concerning yet understudied.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».