Medication use and kidney cancer survival: A population‐based study
Notice bibliographique
Résumé
Several studies demonstrate that use of commonly prescribed medications is associated with improved survival in various malignancies. Methods of classifying medication use in many of these studies, however, do not account for intermittent or cumulative use. Moreover, there are limited data in kidney cancer. Therefore, we performed a population-based cohort study utilizing healthcare databases in Ontario, Canada. We identified patients aged ≥65 with an incident diagnosis of kidney cancer between 1997 and 2013 and examined use of nine putative anti-neoplastic medications using prescription claims. Cox proportional hazard models evaluated the association of medication exposure on cancer-specific and overall survival. We conducted three separate analyses: the effect of cumulative duration of exposure to the study medications on outcomes, the effect of current exposure (in a binary nature) and the effect of exposure at diagnosis. During the 16-year study period, we studied 9,124 patients. Increasing cumulative use of angiotensin-converting enzyme inhibitors, non-steroidal anti-inflammatory drugs (NSAIDs) and selective serotonin reuptake inhibitors were associated with markedly improved cancer-specific survival; increasing use of NSAIDs was associated with markedly improved overall survival. These results were generally discordant with analyses evaluating the effect of current use and exposure at diagnosis. In conclusion, pharmacoepidemiology studies may be sensitive to the method of analysis; cumulative use analyses may be the most robust as it accounts for intermittent use and supports a dose-outcome relationship. Prospective studies are needed to confirm whether patients diagnosed with kidney cancer should be started on an angiotensin-converting enzyme inhibitor, NSAID or selective serotonin reuptake inhibitor to improve survival.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».