Meat intake, cooking methods, dietary carcinogens, and colorectal cancer risk: findings from the Colorectal Cancer Family Registry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Diets high in red meat and processed meats are established colorectal cancer (CRC) risk factors. However, it is still not well understood what explains this association. We conducted comprehensive analyses of CRC risk and red meat and poultry intakes, taking into account cooking methods, level of doneness, estimated intakes of heterocyclic amines (HCAs) that accumulate during meat cooking, tumor location, and tumor mismatch repair proficiency (MMR) status. We analyzed food frequency and portion size data including a meat cooking module for 3364 CRC cases, 1806 unaffected siblings, 136 unaffected spouses, and 1620 unaffected population-based controls, recruited into the CRC Family Registry. Odds ratios (OR) and 95% confidence intervals (CI) for nutrient density variables were estimated using generalized estimating equations. We found no evidence of an association between total nonprocessed red meat or total processed meat and CRC risk. Our main finding was a positive association with CRC for pan-fried beefsteak (P(trend) < 0.001), which was stronger among MMR deficient cases (heterogeneity P = 0.059). Other worth noting associations, of borderline statistical significance after multiple testing correction, were a positive association between diets high in oven-broiled short ribs or spareribs and CRC risk (P(trend) = 0.002), which was also stronger among MMR-deficient cases, and an inverse association with grilled hamburgers (P(trend) = 0.002). Our results support the role of specific meat types and cooking practices as possible sources of human carcinogens relevant for CRC risk.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle