Fruits and Vegetables and Ovarian Cancer Risk in a Pooled Analysis of 12 Cohort Studies
Notice bibliographique
Résumé
Because fruits and vegetables are rich in bioactive compounds with potential cancer-preventive actions, increased consumption may reduce the risk of ovarian cancer. Evidence on the association between fruit and vegetable intake and ovarian cancer risk has not been consistent. We analyzed and pooled the primary data from 12 prospective studies in North America and Europe. Fruit and vegetable intake was measured at baseline in each study using a validated food-frequency questionnaire. To summarize the association between fruit and vegetable intake and ovarian cancer, study-specific relative risks (RR) were estimated using the Cox proportional hazards model, and then combined using a random-effects model. Among 560,441 women, 2,130 cases of invasive epithelial ovarian cancer occurred during a maximum follow-up of 7 to 22 years across studies. Total fruit intake was not associated with ovarian cancer risk-the pooled multivariate RR for the highest versus the lowest quartile of intake was 1.06 [95% confidence interval (95% CI), 0.92-1.21; P value, test for trend = 0.73; P value, test for between-studies heterogeneity = 0.74]. Similarly, results for total vegetable intake indicated no significant association (pooled multivariate RR, 0.90; 95% CI, 0.78-1.04, for the highest versus the lowest quartile; P value, test for trend = 0.06; P value, test for between-studies heterogeneity = 0.31). Intakes of botanically defined fruit and vegetable groups and individual fruits and vegetables were also not associated with ovarian cancer risk. Associations for total fruits and vegetables were similar for different histologic types. These results suggest that fruit and vegetable consumption in adulthood has no important association with the risk of ovarian cancer.
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 | 0,000 |
| 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 ».