Influence of Smoking, Body Mass Index, and Other Factors on the Preventive Effect of Nonsteroidal Anti-Inflammatory Drugs on Colorectal Cancer Risk
Notice bibliographique
Résumé
Abstract Nonsteroidal anti-inflammatory drugs’ (NSAID) use has consistently been associated with lower risk of colorectal cancer; however, studies showed inconsistent results on which cohort of individuals may benefit most. We performed multivariable logistic regression analysis to systematically test for the interaction between regular use of NSAIDs and other lifestyle and dietary factors on colorectal cancer risk among 11,894 cases and 15,999 controls. Fixed-effects meta-analyses were used for stratified analyses across studies for each risk factor and to summarize the estimates from interactions. Regular use of any NSAID, aspirin, or nonaspirin NSAIDs was significantly associated with a lower risk of colorectal cancer within almost all subgroups. However, smoking status and BMI were found to modify the NSAID–colorectal cancer association. Aspirin use was associated with a 29% lower colorectal cancer risk among never-smokers [odds ratios (OR) = 0.71; 95% confidence intervals (CI): 0.64–0.79], compared with 19% and 17% lower colorectal cancer risk among smokers of pack-years below median (OR, 0.81; 95% CI, 0.71–0.92) and above median (OR, 0.83; 95% CI, 0.74–0.94), respectively (P interaction = 0.048). The association between any NSAID use and colorectal cancer risk was also attenuated with increasing BMI (P interaction = 0.075). Collectively, these results suggest that obese individuals and heavy smokers are unlikely to benefit as much as other groups from the prophylactic effect of aspirin against colorectal cancer. Significance: Obesity and heavy smoking attenuate the benefit of aspirin use for colorectal cancer prevention. Cancer Res; 78(16); 4790–9. ©2018 AACR.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».