MétaCan
Menu
Retour à la cohorte
Enregistrement W3030431591 · doi:10.1200/jco.2020.38.15_suppl.1512

Smoking cessation (SC) and lung cancer (LC) outcomes: A survival benefit for recent-quitters? A pooled analysis of 34,649 International Lung Cancer Consortium (ILCCO) patients.

2020· article· en· W3030431591 sur OpenAlexaff
Aline Fusco Fares, Mei Jiang, Ping Yang, David C. Christiani, Chu Chen, Paul Brennan, Jie Zhang, Ann G. Schwartz, Maria Teresa Landi, Kouya Shiraishi, Bríd M. Ryan, Hongbing Shen, Matthew B. Schabath, Garcia Adonina, Sanjay Shete, Loı̈c Le Marchand, Angela Cox, Wei Xu, Geoffrey Liu

Notice bibliographique

RevueJournal of Clinical Oncology · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueLung Cancer Treatments and Mutations
Établissements canadiensPrincess Margaret Cancer Centre
Organismes subventionnairesnon disponible
Mots-clésMedicineHazard ratioLung cancerProportional hazards modelInternal medicineOncologySurvival analysisSmoking cessationLungPooled analysisPathologyConfidence interval

Résumé

récupéré en direct d'OpenAlex

1512 Background: Tobacco smoking profoundly impacts LC risk; however, data are limited as to what extent SC prior to diagnosis impacts LC overall survival (OS) and lung cancer specific survival (LCSS). LC screening offers a possible teachable moment, but there is uncertainty of SC benefits after a lifetime of smoking. We use the ILCCO database to answer if SC prior to LC dx is associated with better OS and LCSS, considering time since smoking cessation (TSSC). Methods: Using individual data, analysis was performed on 17 ILCCO studies with available TSSC to estimate survival using univariable analysis and models of stage-adjusted and cumulative smoking-adjusted multivariable analysis. Adjusted Hazard Ratios (aHR) from Cox models, cubic spline smooth curves and Kaplan-Meier curves were created. Sensitivity analysis was performed for TSSC and LCSS on 13 studies. Results: Of 34649 patients, 14322 (41%) were current smokers 14273 (41%) ex-smokers and 6054 (18%) never smokers at diagnosis. We confirmed that ex-smokers (aHR 0.88 CI 0.86-0.91) and never smokers (aHR 0.76 CI 0.73-0.8) improved OS compared to current smokers. Amongst ex-smokers, < 2y TSSC (aHR 0.88 CI 0.82-0.94), 2-5y TSSC (aHR 0.83 CI 0.77-0.90) and > 5y TSSC (aHR 0.8 CI 0.76-0.84) had improved OS compared to CS. Sensitivity analysis showed a trend towards improved LCSS survival for < 2y TSSC (aHR 0.95 CI 0.86-1.05) and 2-5y TSSC (aHR 0.93 CI 0.83-1.04), whereas > 5y TSSC significantly improved LCSS by 15% (aHR 0.85 CI 0.78-0.92). To mimic the LC screening participants, in analysis of > 30 pack-years individuals, associations were strikingly strong: < 2y TSSC had improved OS by 14% (aHR 0.86 CI 0.80-0.93); 2-5y TSSC by 17% (aHR 0.83 CI 0.76-0.90); and > 5 TSSC by 22% (aHR 0.78 CI 0.74-0.83), compared to current smokers; for < 30 packs-years, a trend towards better OS was observed for < 2y TSSC (aHR 0.95 CI 0.92-1.02) and 2-5y TSSC (aHR 0.86 CI 0.74-1.01), whereas > 5y TSSC improved OS by 23% (aHR 0.77 CI 0.72-0.82). Conclusions: Among ex-smokers, the risk of overall death was reduced by 12% on < 2y TSSC, 17% on 2-5y TSSC and 20% > 5y TSSC, whereas for LCSS, the benefit was significant only for > 5y TSCC, compared to current smokers at time of diagnosis. Here we demonstrate that convincing screening participants to quit smoking at any point of their trajectory, even just prior to dx such as < 2y TSSC, improved OS, and LCSS benefit was present beyond 5y of quitting. These relationships are independent of pack-years, age, across all stages and other prognostic variables.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,011
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,016
Bibliométrie0,0040,004
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,092
Tête enseignante GPT0,504
Écart entre enseignants0,412 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical OncologyMême sujetLung Cancer Treatments and MutationsTravaux en français237 207