Non-Hodgkin Lymphoma and Circulating Markers of Inflammation and Adiposity in a Nested Case–Control Study: The Multiethnic Cohort
Notice bibliographique
Résumé
BACKGROUND: Because immune dysfunction is thought to underlie the development of non-Hodgkin lymphoma (NHL), obesity and chronic inflammation may be involved in its etiology. We examined the association of prediagnostic inflammatory markers and adipokines with NHL risk. METHODS: We conducted a nested case-control analysis (272 cases and 541 matched controls) within the Multiethnic Cohort. Luminex technology was used to measure a 10-plex panel of cytokines, ELISA assays for adipokines, and an autoanalyzer for C-reactive protein (CRP). ORs and 95% confidence intervals (CI) for tertiles of analytes were estimated by conditional logistic regression. RESULTS: After a median time of 2.7 years from phlebotomy to diagnosis, interleukin (IL)-10 was significantly related to NHL risk (ORT3 vs. T1 = 3.07; 95%CI, 2.02-4.66; Ptrend < 0.001). TNF-α and IL-8 showed borderline elevated risks, whereas IFN-γ, IL-1β, IL-2, IL-4, IL-5, IL-6, and CRP were not associated with NHL. Leptin but not adiponectin was related to NHL risk (ORT3 vs. T1 = 0.48; 95%CI, 0.30-0.76; Ptrend < 0.001). Adjustment for body mass index did not substantially affect the risk estimates. Stratification by subtype indicated significant associations with IL-10 and leptin for follicular but not for diffuse large B-cell lymphoma. Excluding cases diagnosed less than 1 year after phlebotomy attenuated all associations. CONCLUSIONS: IL-10 was the only cytokine and leptin the only adipokine associated with NHL, but due to the short follow-up time, preclinical effects cannot be excluded. IMPACT: Although markers of inflammation and adiposity may provide new insights into the etiology of NHL, they need to be assessed many years before clinical diagnosis.
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 | 0,005 | 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 | 0,000 |
| 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 ».