Les effets additifs potentiels associés à des expositions aiguës par inhalation de mélanges de substances chimiques : outil d’aide à la gestion des situations d’urgence
Bibliographic record
Abstract
Lors de déversements accidentels de substances chimiques dans l’environnement, que ce soit dans le cas d’incidents routiers ou ferroviaires (transport de matières dangereuses), ou encore d’accidents industriels, des travailleurs, des secouristes, des pompiers et même la population générale peuvent être exposés simultanément, sur de courtes périodes, à d’importantes concentrations de plusieurs substances chimiques. Dans de telles situations, une exposition simultanée à plusieurs substances peut induire des risques plus importants pour un travailleur que s’il est exposé successivement à chacun de ces polluants considérés individuellement. Il est donc important, comme le stipulent l’ American Conference of Governmental Industrial Hygienists (ACGIH) et le Règlement sur la santé et la sécurité du travail (RSST) du Québec, d’examiner les effets combinés des substances lorsque deux ou plusieurs d’entre elles agissent sur un même système de l’organisme. L’objectif de ce projet était de concevoir un outil d’aide à la décision capable de prédire l’additivité des effets aigus d’un mélange de substances. La base de données créée rapporte les effets délétères de 268 substances chimiques. Les informations recueillies portent, d’une part, sur les organes cibles et, d’autre part, sur les effets sur ces organes. À partir de cette base, un utilitaire a été conçu pour calculer un indice d’exposition mixte aiguë en fonction des valeurs limites d’exposition « Acute Exposure Guideline Levels » (AEGL) du National Research Council américain. Ces valeurs ont été établies en fonction de la durée d’exposition (10 min, 30 min, 1 h, 4 h et 8 h) et de trois niveaux de toxicité (AEGL-1, AEGL-2 et AEGL-3). Ainsi, l’utilitaire permet d’estimer l’additivité toxicologique selon des concentrations et des durées d’exposition données.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".