Fruits, vegetables and lung cancer: A pooled analysis of cohort studies
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
Inverse associations between fruit and vegetable consumption and lung cancer risk have been consistently reported. However, identifying the specific fruits and vegetables associated with lung cancer is difficult because the food groups and foods evaluated have varied across studies. We analyzed fruit and vegetable groups using standardized exposure and covariate definitions in 8 prospective studies. We combined study-specific relative risks (RRs) using a random effects model. In the pooled database, 3,206 incident lung cancer cases occurred among 430,281 women and men followed for up to 6-16 years across studies. Controlling for smoking habits and other lung cancer risk factors, a 16-23% reduction in lung cancer risk was observed for quintiles 2 through 5 vs. the lowest quintile of consumption for total fruits (RR = 0.77; 95% CI = 0.67-0.87 for quintile 5; p-value, test for trend < 0.001) and for total fruits and vegetables (RR = 0.79; 95% CI = 0.69-0.90; p-value, test for trend = 0.001). For the same comparison, the association was weaker for total vegetable consumption (RR = 0.88; 95% CI = 0.78-1.00; p-value, test for trend = 0.12). Associations were similar between never, past, and current smokers. These results suggest that elevated fruit and vegetable consumption is associated with a modest reduction in lung cancer risk, which is mostly attributable to fruit, not vegetable, intake. However, we cannot rule out the possibility that our results are due to residual confounding by smoking. The primary focus for reducing lung cancer incidence should continue to be smoking prevention and cessation.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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