Predictors of Mammographic Density: Insights Gained from a Novel Regression Analysis of a Twin Study
Notice bibliographique
Résumé
Understanding which factors influence mammographically dense and nondense areas is important because percent mammographic density adjusted for age is a strong, continuously distributed risk factor for breast cancer, especially when adjusted for weight or body mass index. Using computer-assisted methods, we measured mammographically dense areas for 571 monozygotic and 380 dizygotic Australian and North American twin pairs ages 40 to 70 years. We used a novel regression modeling approach in which each twin's measure of dense and nondense area was regressed against one or both of the twin's and co-twin's covariates. The nature of changes to regression estimates with the inclusion of the twin and/or co-twin's covariates can be evaluated for consistency with causal and/or other models. By causal, we mean that if it were possible to vary a covariate experimentally then the expected value of the outcome measure would change. After adjusting for the individual's weight, the co-twin associations with weight were attenuated, consistent with a causal effect of weight on mammographic measures, which in absolute log cm(2)/kg was thrice stronger for nondense than dense area. After adjusting for weight, later age at menarche, and greater height were associated with greater dense and lesser nondense areas in a manner inconsistent with causality. The associations of dense and nondense areas with parity are consistent with a causal effect and/or within-person confounding. The associations between mammographic density measures and height are consistent with shared early life environmental factors that predispose to both height and percent mammographic density and possibly breast cancer risk.
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 | 0,001 | 0,002 |
| 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 ».