Étude de la cinétique de biomarqueurs d’exposition à la perméthrine dans des conditions d’exposition réelles chez les travailleurs agricoles au Québec

La perméthrine fait partie de la famille des pyréthrinoïdes qui sont abondamment utilisés en agriculture. Le but de cette étude était d'obtenir des données sur la cinétique des biomarqueurs d'exposition à la perméthrine en condition réelle d'exposition chez les travailleurs agricoles. Douze travailleurs (un applicateur, un superviseur et dix cueilleurs) exposés à la perméthrine dans le cadre de leur emploi ont été recrutés dans une ferme maraichère de la Montérégie (Québec). Ils ont fourni toutes leurs urines sur une période de trois jours suivant le début des travaux dans un champ traité. Les trois principaux métabolites de la perméthrine, l'acide cis-/trans-3-(2,2-dichlorovinyle)-2,2-diméthylecyclopropane carboxylique (cis-/trans-DCCA) et l'acide 3-phénoxybenzoïque (3-PBA) ont été analysés par chromatographie liquide à ultra-haute performance couplée à la spectrométrie de masse à temps de vol. Pour l'applicateur, une augmentation progressive des valeurs d'excrétion a été observée avec un pic unique atteint environ 30 h après le début de l'exposition d'une durée de 3,5 h suivi d'une élimination avec une demi-vie de 8 h. Pour le superviseur et l'un des cueilleurs, les profils d'excrétion de trans-DCCA et de 3-PBA étaient compatibles avec de multiples entrées dans la zone traitée pendant la période d'échantillonnage accompagné d'une élimination rapide entre les épisodes d'exposition.L'applicateur aurait été exposé indirectement par contact main-bouche, alors que les autres travailleurs auraient été exposés par la voie cutanée. Pour une surveillance biologique adéquate, nous recommandons de mesurer deux biomarqueurs de la perméthrine, soit le trans-DCCA et le 3-PBA et de prendre un minimum de trois échantillons urinaires, un avant et deux pendant ou suivant la période d'exposition.

Non invasive classification system of scoliosis curve types using least-squares support vector machines

Objective To determine scoliosis curve types using non invasive surface acquisition, without prior knowledge from X-ray data. Methods Classification of scoliosis deformities according to curve type is used in the clinical management of scoliotic patients. In this work, we propose a robust system that can determine the scoliosis curve type from non invasive acquisition of the 3D back surface of the patients. The 3D image of the surface of the trunk is divided into patches and local geometric descriptors characterizing the back surface are computed from each patch and constitute the features. We reduce the dimensionality by using principal component analysis and retain 53 components using an overlap criterion combined with the total variance in the observed variables. In this work, a multi-class classifier is built with least-squares support vector machines (LS-SVM). The original LS-SVM formulation was modified by weighting the positive and negative samples differently and a new kernel was designed in order to achieve a robust classifier. The proposed system is validated using data from 165 patients with different scoliosis curve types. The results of our non invasive classification were compared with those obtained by an expert using X-ray images. Results The average rate of successful classification was computed using a leave-one-out cross-validation procedure. The overall accuracy of the system was 95%. As for the correct classification rates per class, we obtained 96%, 84% and 97% for the thoracic, double major and lumbar/thoracolumbar curve types, respectively. Conclusion This study shows that it is possible to find a relationship between the internal deformity and the back surface deformity in scoliosis with machine learning methods. The proposed system uses non invasive surface acquisition, which is safe for the patient as it involves no radiation. Also, the design of a specific kernel improved classification performance.