Achievements and future of nutritional cancer epidemiology
Notice bibliographique
Résumé
We consider some of the earlier work and some recent results on diet and cancer (since the 2007 WCRF/AICR report on Diet and Cancer), discuss challenges facing nutritional cancer epidemiology, and consider the field from the perspective of the need to apply what we know in cancer control. We highlight 2 current difficulties; first, we are uncertain on the stage of carcinogenesis on which many nutritional factors act, second, we often do not know what dose of a nutritional factor is needed to achieve its expected protective effect in humans. Part of the difficulty is the measurement error associated with food frequency questionnaires. Calibration studies (as in the European Prospective Investigation on diet and Cancer) have helped to reduce this, and pooled studies have helped to clarify associations. However, there is too little work on new biomarkers of nutrition; with the new techniques available (especially proteomics, and metabolomics) it should be possible to identify more and better biomarkers that could be used in repeated blood or urine samples and give very good information on diet. In cancer control we need to determine how to reduce the prevalence of obesity and increase physical activity in populations, not whether they are causal factors. This could be achieved by community-based interventions linked to some of the new cohort studies being initiated. We conclude we have reached the stage in nutritional cancer epidemiology where we need to concentrate more on applying the lessons we have learnt, than in seeking new aetiological associations.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».