Abstract Objectives Information systems focusing on occupational carcinogen exposure, whether categorized by industry or occupation, play a pivotal role in the prevention of occupational cancers. Recently, the Korean CARcinogen EXposure (K-CAREX) system was developed to assess carcinogen exposure by industry. However, corresponding information categorized by occupation has yet to be developed. This study aimed to develop an occupation-based exposure matrix for occupational carcinogens as an extension of the K-CAREX framework. Methods The Work Environment Measurement Database (WEMD) and the Special Health Examination Database (SHED) were combined to estimate exposure intensity by occupation. The WEMD supplied exposure levels, whereas the SHED provided occupation information. Additionally, the SHED served as the primary data source for constructing an indicator of exposure prevalence by occupation, utilizing standard occupational classification. Results A total of 22 carcinogens were selected for evaluating exposure intensity, and 20 carcinogens were selected for assessing exposure prevalence. Exposure intensity and prevalence were assigned to 156 occupational groups based on these carcinogens. For instance, in terms of welding fume exposure, welders were assigned an exposure intensity rating of 3 and exhibited exposure prevalence of 26%. Conclusions Our findings complement the previously developed K-CAREX, which offered an industry-based exposure matrix. The resultant comprehensive K-CAREX, incorporating both industry- and occupation-based matrices, can be utilized for occupational cancer prevention and epidemiological studies.

This study investigated the correlation between the individual chemical constituents of particulate matter 2.5 μm (PM

Supervised machine learning models have been widely used to predict and get insight into diseases by classifying patients based on personal health records. However, a class imbalance is an obstacle that disrupts the training of the models. In this study, we aimed to address class imbalance with a conditional normalizing flow model, one of the deep-learning-based semi-supervised models for anomaly detection. It is the first introduction of the normalizing flow algorithm for tabular biomedical data.

Recent studies have indicated potential health risks associated with microplastics (MPs) exposure, including alterations in blood coagulation homeostasis. This cross-sectional study aimed to quantitatively examine MPs in human blood and assess their association with coagulation markers. We recruited 36 healthy adults, collected whole blood samples, and analyzed MPs using Fourier-transform infrared (µ-FTIR) spectroscopy. Lifestyle factors related to MP exposure were assessed, such as the use of plastic food containers. Coagulation and inflammatory markers in blood samples were analyzed, including C-reactive protein, prothrombin time, activated partial prothrombin time (aPTT), antithrombin III, platelet count, erythrocyte sedimentation rate, and fibrinogen. MPs were detected in 88.9% of the participants, with a mean concentration of 4.2 MPs/mL. The predominant types of plastics identified were polystyrene and polypropylene. MPs were significantly higher in participants with a greater use of plastic food containers. A high MP load in the blood (≥ 3 MPs/mL) was significantly correlated with increased aPTT, C-reactive protein, and fibrinogen. We identified MPs in human blood, their association with specific lifestyle factors, and significant alterations in coagulation markers. This underscores the need for strategies to reduce human exposure to MPs, particularly in relation to blood coagulation and potential cardiovascular risks.

: Exposure to particulate matter <2.5 μm (PM