Multiple pesticide exposures and the risk of multiple myeloma in Canadian men
Notice bibliographique
Résumé
Multiple myeloma (MM) has been linked to certain agricultural exposures, including pesticides. This analysis aimed to investigate the association between lifetime use of multiple pesticides and MM risk using two exposure metrics: number of pesticides used and days per year of pesticide use. A frequency-matched, population-based case-control study was conducted among men in six Canadian provinces between 1991 and 1994. Data from 342 MM cases and 1,357 controls were analyzed using logistic regression to calculate odds ratios (OR) and 95% confidence intervals. Pesticides were grouped by type, chemical class and carcinogenic potential, using a composite carcinogenic probability score. Selected individual pesticides were also examined. Regression models were adjusted for age, province of residence, use of proxy respondents, smoking and selected medical history variables. The overall pattern of results was complex. Positive trends in risk were observed for fungicides (ptrend=0.04) and pesticides classified as probably carcinogenic or higher (ptrend=0.03). Excess risks of MM were observed among men who reported using at least one carbamate pesticide (OR=1.94, 1.16-3.25), one phenoxy herbicide (OR=1.56, 1.09-2.25) and ≥3 organochlorines (OR=2.21, 1.05-4.66). Significantly higher odds of MM were seen for exposure to carbaryl (OR=2.71, 1.47-5.00) and captan (OR=2.96, 1.40-6.24). Use of mecoprop for >2 days per year was also significantly associated with MM (OR=2.15, 1.03-4.48). Focusing on multiple pesticide exposures is important because this more accurately reflects how exposures occur in occupational settings. Significant associations observed for certain chemical classes and individual pesticides suggest that these may be MM risk factors.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».