The Influence of Different Solvents on Systemic Sclerosis
Notice bibliographique
Résumé
BACKGROUND: Several studies have collected detailed data to examine which specific solvents account for the association between solvents and risk of systemic sclerosis (SSc). These studies generally reported elevated risks associated with many of the specific solvents examined, such as toluene, xylene, and trichloroethylene. The previous meta-analysis was not able to conduct separate analyses for specific solvent subtypes. OBJECTIVE: The aims of the new meta-analysis were to investigate a more comprehensive estimate and to consider the effect of different solvents on SSc. METHODS: We searched PubMed, Biosis Previews, China National Knowledge Infrastructure, and Wanfang for all articles published before July 2015. Fourteen case-control studies (1657 patients and 3838 controls) were included. The quality of studies was scored according to the Newcastle-Ottawa scale. The final odds ratios (ORs) and 95% confidence intervals (CIs) were calculated by a fixed- or random-effects model according to heterogeneity test. Publication bias was assessed using Begg test. RESULTS: The risk of SSc was significantly different among sex, age, and exposure assessment methods. Separate analyses for specific solvent subtypes indicated that SSc was associated with aromatic solvents (OR, 2.72; 95% CI, 1.21-6.09), trichloroethylene (OR, 2.07; 95% CI, 1.34-3.17), halogenated solvents (OR, 1.49; 95% CI, 1.12-1.99), and ketones (OR, 4.20; 95% CI, 2.19-8.06). CONCLUSIONS: Exposure to identified types solvents does seem to be a risk factor for developing SSc. Needed efforts to decrease such exposures are discussed.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».