Intakes of Fruit, Vegetables, and Carotenoids and Renal Cell Cancer Risk: A Pooled Analysis of 13 Prospective Studies
Notice bibliographique
Résumé
Fruit and vegetable consumption has been hypothesized to reduce the risk of renal cell cancer. We conducted a pooled analysis of 13 prospective studies, including 1,478 incident cases of renal cell cancer (709 women and 769 men) among 530,469 women and 244,483 men followed for up to 7 to 20 years. Participants completed a validated food-frequency questionnaire at baseline. Using the primary data from each study, the study-specific relative risks (RR) were calculated using the Cox proportional hazards model and then pooled using a random effects model. We found that fruit and vegetable consumption was associated with a reduced risk of renal cell cancer. Compared with <200 g/d of fruit and vegetable intake, the pooled multivariate RR for >or=600 g/d was 0.68 [95% confidence interval (95% CI) = 0.54-0.87; P for between-studies heterogeneity = 0.86; P for trend = 0.001]. Compared with <100 g/d, the pooled multivariate RRs (95% CI) for >or=400 g/d were 0.79 (0.63-0.99; P for trend = 0.03) for total fruit and 0.72 (0.48-1.08; P for trend = 0.07) for total vegetables. For specific carotenoids, the pooled multivariate RRs (95% CIs) comparing the highest and lowest quintiles were 0.87 (0.73-1.03) for alpha-carotene, 0.82 (0.69-0.98) for beta-carotene, 0.86 (0.73-1.01) for beta-cryptoxanthin, 0.82 (0.64-1.06) for lutein/zeaxanthin, and 1.13 (0.95-1.34) for lycopene. In conclusion, increasing fruit and vegetable consumption is associated with decreasing risk of renal cell cancer; carotenoids present in fruit and vegetables may partly contribute to this protection.
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 ».