Arsenic Exposure, Dietary Patterns, and Skin Lesion Risk in Bangladesh: A Prospective Study
Notice bibliographique
Résumé
Dietary factors are believed to modulate arsenic toxicity, potentially influencing risk of arsenical skin lesions. The authors evaluated associations among dietary patterns, arsenic exposure, and skin lesion risk using baseline food frequency questionnaire data collected in the Health Effects of Arsenic Longitudinal Study (HEALS) in Araihazar, Bangladesh (2000-2009). They identified dietary patterns and estimated dietary pattern scores using factor analysis. Scores were tested for association with incident skin lesion risk and interaction with water arsenic exposure by using ∼6 years of follow-up data (814 events among 9,677 individuals) and discrete time hazards models (adjusting for key covariates). The authors identified 3 clear dietary patterns: the "gourd and root," "vegetable," and "animal protein" patterns. The gourd and root pattern score was inversely associated with skin lesion risk (P(trend) = 0.001), with hazard ratios of 0.86, 0.73, and 0.69 for the second, third, and fourth highest quartiles. Furthermore, the association between water arsenic and skin lesion incidence was stronger among participants with low gourd and root scores (multiplicative P(interaction) < 0.001; additive P(interaction) = 0.05). The vegetable pattern and animal protein pattern showed similar but weaker associations and interactions. Eating a diet rich in gourds and root vegetables and increasing dietary diversity may reduce arsenical skin lesion risk in Bangladesh.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».