The etiology of uterine sarcomas: a pooled analysis of the epidemiology of endometrial cancer consortium
Notice bibliographique
Résumé
BACKGROUND: Uterine sarcomas are characterised by early age at diagnosis, poor prognosis, and higher incidence among Black compared with White women, but their aetiology is poorly understood. Therefore, we performed a pooled analysis of data collected in the Epidemiology of Endometrial Cancer Consortium. We also examined risk factor associations for malignant mixed mullerian tumours (MMMTs) and endometrioid endometrial carcinomas (EECs) for comparison purposes. METHODS: We pooled data on 229 uterine sarcomas, 244 MMMTs, 7623 EEC cases, and 28,829 controls. Odds ratios (ORs) and 95% confidence intervals (CIs) for risk factors associated with uterine sarcoma, MMMT, and EEC were estimated with polytomous logistic regression. We also examined associations between epidemiological factors and histological subtypes of uterine sarcoma. RESULTS: Significant risk factors for uterine sarcoma included obesity (body mass index (BMI)≥30 vs BMI<25 kg m(-2) (OR: 1.73, 95% CI: 1.22-2.46), P-trend=0.008) and history of diabetes (OR: 2.33, 95% CI: 1.41-3.83). Older age at menarche was inversely associated with uterine sarcoma risk (≥15 years vs <11 years (OR: 0.70, 95% CI: 0.34-1.44), P-trend: 0.04). BMI was significantly, but less strongly related to uterine sarcomas compared with EECs (OR: 3.03, 95% CI: 2.82-3.26) or MMMTs (OR: 2.25, 95% CI: 1.60-3.15, P-heterogeneity=0.01). CONCLUSION: In the largest aetiological study of uterine sarcomas, associations between menstrual, hormonal, and anthropometric risk factors and uterine sarcoma were similar to those identified for EEC. Further exploration of factors that might explain patterns of age- and race-specific incidence rates for uterine sarcoma are needed.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».