CRITICAL WINDOWS: HOW TIME PATTERNS OF EXPOSURE CAN INFLUENCE DISEASE RISK
Notice bibliographique
Résumé
ISEE-144 Introduction: In environmental and occupational settings, carcinogenic exposures are often repeated or protracted over time. The time pattern of exposure accrual may influence subsequent temporal patterns of cancer risk. Several simple models that may be used for temporal variation in exposure effects are presented. Methods: A cohort of 40,415 nuclear industry workers was identified via the Canadian National Dose Registry. Vital status and cause of death were ascertained through 1994. Associations between ionizing radiation and mortality due to lung cancer and leukaemia were quantified using conditional logistic regression models with risk sets constructed by incidence density sampling. A step function, a bilinear function, and a sigmoid function were used to evaluate variation in exposure effects with time-since-exposure and age-at-exposure. Results: Step and sigmoid functions were used to explore latency and morbidity periods. For analyses of lung cancer and leukaemia the best fitting models were obtained when exposure assignment was lagged by 13 and 0 years, respectively. A bilinear function was used to evaluate whether exposure effects diminished with time-since-exposure. There was evidence of attenuation of radiation effects with protracted time-since-exposure. In analyses of age at exposure, there was evidence of variation in radiation-mortality associations; discounting radiation doses accrued at younger ages (e.g. 15-35 years) led to significant improvements in model fit. Conclusions: This paper illustrates empirical approaches to evaluating temporal variation in the effect of a protracted exposure on disease 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.
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 | 0,014 |
| 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 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 ».