Effect of Differing Levels of Tobacco-Specific Nitrosamines in Cigarette Smoke on the Levels of Biomarkers in Smokers
Notice bibliographique
Résumé
BACKGROUND: Smokers are exposed to significant doses of carcinogens, including tobacco-specific nitrosamines (TSNA). Previous studies have shown significant global differences in the levels of TSNAs in cigarette smoke because of the variation in tobacco blending and curing practices around the world. METHODS: Mouth-level exposure to 4-(methylnitrosamino)-1-(3-pyridyl)-1-butanone (NNK) measured in cigarette butts and urinary concentrations of its major metabolite 4-(methylnitrosamino)-1-(3-pyridyl)-1-butanol (NNAL) were examined among 126 daily smokers in four countries over a 24-hour study period. RESULTS: As mouth-level exposure of NNK increased, the urinary NNAL increased even after adjustment for other covariates (beta = 0.46, P = 0.004). The relationship between mouth-level exposure to nicotine and its salivary metabolite, cotinine, was not statistically significant (beta = 0.29, P = 0.057), likely because of the very limited range of differences in mouth-level nicotine exposure in this population. CONCLUSIONS: We have shown a direct association between the 24-hour mouth-level exposure of NNK resulting from cigarette smoking and the concentration of its primary metabolite, NNAL, in the urine of smokers. Internal dose concentrations of urinary NNAL are significantly lower in smokers in countries that have lower TSNA levels in cigarettes such as Canada and Australia in contrast to countries that have high levels of these carcinogens in cigarettes, such as the United States. IMPACT: Lowering the levels of NNK in the mainstream smoke of cigarettes through the use of specific tobacco types and known curing practices can significantly affect the exposure of smokers to this known carcinogen.
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 | 0,001 |
| 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) | 0,000 | 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 ».