Dietary Factors and Risk of Non-Hodgkin Lymphoma by Histologic Subtype: A Case-Control Analysis
Notice bibliographique
Résumé
There is speculation that etiologic heterogeneity exists among tumors classified as non-Hodgkin lymphoma (NHL), although it is not known whether diet-related associations vary between tumor subgroups. We analyzed data on 1,642 NHL cases and 5,039 controls aged 20 to 74 years from a population-based case-control study conducted in eight Canadian provinces to explore associations between dietary factors and NHL by histologic subtype. Dietary information was collected using a 69-item food frequency questionnaire. Tumors were categorized into histologic subtypes using the contents of pathology reports from the original histopathologic review of diagnostic material. Odds ratios (OR) relating consumption of dietary factors (divided into three categories) to each NHL subtype (diffuse, follicular, small lymphocytic, high grade, peripheral T cell, and unspecified lymphomas) were calculated using polytomous logistic regression. We found an increased risk of NHL with high (versus low) intake of processed meat (OR, 1.49), cheese (OR, 1.38), eggs (OR, 1.49), and dessert foods (OR, 1.24). Positive associations with NHL were also found for high consumption of total fat (OR, 1.28), saturated fat (OR, 1.29), and monounsaturated fat (OR, 1.27). Associations for consumption of some vegetables and fats were found to differ between lymphoma subtypes. Given the large number of diet/subtype comparisons done, however, the possibility that this heterogeneity arose by chance cannot be ruled out. In conclusion, these findings generally do not support the existence of etiologic heterogeneity between histologic subtypes of NHL in their associations with components of dietary intake.
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 | 0,001 |
| 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 ».