Racial/ethnic differences in the epidemiology of ovarian cancer: a pooled analysis of 12 case-control studies
Notice bibliographique
Résumé
Background: Ovarian cancer incidence differs substantially by race/ethnicity, but the reasons for this are not well understood. Data were pooled from the African American Cancer Epidemiology Study (AACES) and 11 case-control studies in the Ovarian Cancer Association Consortium (OCAC) to examine racial/ethnic differences in epidemiological characteristics with suspected involvement in epithelial ovarian cancer (EOC) aetiology. Methods: We used multivariable logistic regression to estimate associations for 17 reproductive, hormonal and lifestyle characteristics and EOC risk by race/ethnicity among 10 924 women with invasive EOC (8918 Non-Hispanic Whites, 433 Hispanics, 911 Blacks, 662 Asian/Pacific Islanders) and 16 150 controls (13 619 Non-Hispanic Whites, 533 Hispanics, 1233 Blacks, 765 Asian/Pacific Islanders). Likelihood ratio tests were used to evaluate heterogeneity in the risk factor associations by race/ethnicity. Results: We observed statistically significant racial/ethnic heterogeneity for hysterectomy and EOC risk (P = 0.008), where the largest odds ratio (OR) was observed in Black women [OR = 1.64, 95% confidence interval (CI) = 1.34-2.02] compared with other racial/ethnic groups. Although not statistically significant, the associations for parity, first-degree family history of ovarian or breast cancer, and endometriosis varied by race/ethnicity. Asian/Pacific Islanders had the greatest magnitude of association for parity (≥3 births: OR = 0.38, 95% CI = 0.28-0.54), and Black women had the largest ORs for family history (OR = 1.77, 95% CI = 1.42-2.21) and endometriosis (OR = 2.42, 95% CI = 1.65-3.55). Conclusions: Although racial/ethnic heterogeneity was observed for hysterectomy, our findings support the validity of EOC risk factors across all racial/ethnic groups, and further suggest that any racial/ethnic population with a higher prevalence of a modifiable risk factor should be targeted to disseminate information about prevention.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,035 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,016 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».