Do traditional Gail model risk factors account for increased breast cancer in women with lupus?
Notice bibliographique
Résumé
OBJECTIVE: To determine to what extent the observed experience of breast cancer in a combined cohort of patients with systemic lupus erythematosus (SLE) could be explained by the profile of breast cancer risk factors. METHODS: Data were pooled from 2 centers, the Montreal General Hospital and the Feinberg School of Medicine at Northwestern University in Chicago. For each female cohort member, the probability of developing breast cancer during followup was estimated based on factors (including the individual's age, parity, age at first live birth, age of menarche, personal history of benign breast disease, and family history) using the Gail model, an established model for predicting breast cancer risk. The actual occurrence of cancer cases was determined by linkage with regional cancer registries. RESULTS: Of the 583 women in the combined cohort, 5 had been diagnosed with breast cancer prior to cohort entry, and 14 declined participation. In those remaining, 12 cases of breast cancer occurred compared to 5.6 predicted by the Gail model (standardized incidence ratio 2.1, 95% confidence interval: 1.1, 3.7). Thus, after controlling for risk factors, the incidence of breast cancer was elevated. CONCLUSION: Our data suggest that the risk of breast cancer in our SLE cohort is not completely explained by traditional factors found in the Gail model. Other factors, such as carcinogenic exposures (i.e., alkylating agents and immunosuppressive drugs) or the immunologic dysregulation of SLE itself, may be contributory.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».