Fruit and vegetable consumption and lung cancer risk: Updated information from the European Prospective Investigation into Cancer and Nutrition (EPIC)
Notice bibliographique
Résumé
The association of fruit and vegetable consumption and lung cancer incidence was evaluated using the most recent data from the European Prospective Investigation into Cancer and Nutrition (EPIC), applying a refined statistical approach (calibration) to account for measurement error potentially introduced by using food frequency questionnaire data. Between 1992 and 2000, detailed information on diet and life-style of 478,590 individuals participating in EPIC was collected. During a median follow-up of 6.4 years, 1,126 lung cancer cases were observed. Multivariate Cox proportional hazard models were applied for statistical evaluation. In the whole study population, fruit consumption was significantly inversely associated with lung cancer risk while no association was found for vegetable consumption. In current smokers, however, lung cancer risk significantly decreased with higher vegetable consumption; this association became more pronounced after calibration, the hazard ratio (HR) being 0.78 (95% CI 0.62-0.98) per 100 g increase in daily vegetable consumption. In comparison, the HR per 100 g fruit was 0.92 (0.85-0.99) in the entire cohort and 0.90 (0.81-0.99) in smokers. Exclusion of cases diagnosed during the first 2 years of follow-up strengthened these associations, the HR being 0.71 (0.55-0.94) for vegetables (smokers) and 0.86 (0.78-0.95) for fruit (entire cohort). Cancer incidence decreased with higher consumption of apples and pears (entire cohort) as well as root vegetables (smokers). In addition to an overall inverse association with fruit intake, the results of this evaluation add evidence for a significant inverse association of vegetable consumption and lung cancer incidence in smokers.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».