Association of Lung Cancer and Tea-Drinking Habits of Different Subgroup Populations: Meta-Analysis of Case-Control Studies and Cohort Studies
Notice bibliographique
Résumé
Background: We aimed to investigate the association between lung cancer and tea-drinking habits of different subgroup populations. Methods: Systematic search of the PubMed, Web of Science, China National Knowledge Infrastructure (CNKI) and Sinomed databases from database construction until January 2017 for English and Chinese language articles on association of lung cancer and tea drinking. Meta-analysis was used to calculate the combined odds ratio (OR) value and its 95% confidence interval (95% CI). The Newcastle-Ottawa scale was used to evaluate the quality of the studies and Q-test and I2 was used for heterogeneity testing. Results: Forty two papers were included, 30 case-control studies included 14578 lung cancer patients and 180574 controls, 12 cohort studies included 543825 subjects, of which the outcome was 5085 with lung cancer. Tea drinkers were found to have a decreased OR of lung cancer compared with non-tea drinkers (OR 0. 80, 95% CI: 0. 73, 0. 87). Consumption of green, black or unspecified tea has a protective effect compared with not drinking tea at all. Increased intake of green tea to 7. 5 g per day can further reduce the OR of lung cancer (OR 0. 69, 95% CI: 0. 48-0. 98). Tea consumption had a protective effect against lung cancer in non-smokers, Further analysis found that drinking of one or more cups of tea a day has a protective effect on smokers (OR 0. 79, 95%CI: 0. 64–0. 96). Conclusion: Tea drinking could be a protective factor in lung cancer.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».