Genetic Risk Can Be Decreased: Quitting Smoking Decreases and Delays Lung Cancer for Smokers With High and Low CHRNA5 Risk Genotypes — A Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Recent meta-analyses show that individuals with high risk variants in CHRNA5 on chromosome 15q25 are likely to develop lung cancer earlier than those with low-risk genotypes. The same high-risk genetic variants also predict nicotine dependence and delayed smoking cessation. It is unclear whether smoking cessation confers the same benefits in terms of lung cancer risk reduction for those who possess CHRNA5 risk variants versus those who do not. METHODS: Meta-analyses examined the association between smoking cessation and lung cancer risk in 15 studies of individuals with European ancestry who possessed varying rs16969968 genotypes (N=12,690 ever smokers, including 6988 cases of lung cancer and 5702 controls) in the International Lung Cancer Consortium. RESULTS: ). The CHRNA5 rs16969968 risk genotype (AA) was associated with increased risk and earlier diagnosis for lung cancer, but the beneficial effects of smoking cessation were very similar in those with and without the risk genotype. CONCLUSION: We demonstrate that quitting smoking is highly beneficial in reducing lung cancer risks for smokers regardless of their CHRNA5 rs16969968 genetic risk status. Smokers with high-risk CHRNA5 genotypes, on average, can largely eliminate their elevated genetic risk for lung cancer by quitting smoking- cutting their risk of lung cancer in half and delaying its onset by 7years for those who develop it. These results: 1) underscore the potential value of smoking cessation for all smokers, 2) suggest that CHRNA5 rs16969968 genotype affects lung cancer diagnosis through its effects on smoking, and 3) have potential value for framing preventive interventions for those who smoke.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».