从PM_2.5结合的PAH中改进源特异性肺癌风险评估:在中国宁波整合基于组件的功效因子和机器学习

科学领域:

• 环境科学 环境科学
• 毒理学 毒理学 毒理学
• 公共卫生 公共卫生

背景情况:

• 多环芳 (PAHs) 具有显著的肺癌风险.
• 目前基于成分的功效因子方法,使用[a]皮林 (BaP) 单位风险值,可能会高估肺部癌症风险 (LECR).
• 这种高估值在评估中包含具有高度致癌性的PAH时尤为显著.

研究的目的:

• 为了评估来自PAHs的肺癌风险 (LECR) 在中国宁波.
• 为了比较使用WHO和EPA BaP单位风险值的LECR估计值.
• 使用机器学习提高源特定LECR评估的准确性.

主要方法:

• 估计的LECR使用WHO和EPA的BaP单位风险值.
• 应用机器学习算法:随机森林 (RF),极端随机树木 (ERT) 和极端梯度增强 (XGBoost).
• 确定了导致PAH暴露的初级来源和相关的LECR.

主要成果:

• 基于成分的强度因子方法,使用WHO值和高致癌PAHs,高估计了LECR的十倍以上.
• 在宁波确定了中度的PAH暴露风险水平 (> 1.0 × 10−6).
• 极端随机树木 (ERT) 证明最有效,确定工业排放,煤炭燃烧和汽油发动机排放作为LECR的主要贡献者.

结论:

• 完善风险评估方法对于准确的LECR估计至关重要.
• 机器学习集成提供了一个强大的框架,用于精确的,源特定的PAH风险评估.
• 有效地减轻PAH污染和减少肺癌风险需要准确的,来源分配的风险评估.