Identifying clusters of health risk behaviors and their predictors in adult survivors of childhood cancer: A report from the French Childhood Cancer Survivor Study
Notice bibliographique
Résumé
OBJECTIVE: Health risk behaviors (HRB) of childhood cancer survivors (CCS) are generally studied separately, despite the evidence suggesting that HRB are not independent. To our knowledge, few studies have examined HRB profiles in the former pediatric cancer patients. In this study, we identified HRB profiles and examined predictors engaging in unhealthy behaviors in CCS. METHODS: We used data from a French cohort of CCS that includes five-year survivors diagnosed between 1945 and 2000 and treated before reaching age 18, in five centers in France. A total of 2961 adult CCS answered a self-reported questionnaire pertaining to HRB. Latent class analysis was used to identify HRB profiles combining physical activity, smoking, cannabis use, and alcohol drinking. Multinomial logistic analyses examined predictors for engaging in unhealthy behaviors. RESULTS: Three HRB patterns emerged: "Low-risk" (n = 1846, 62.3%) included CCS who exhibited the highest frequency for usual physical activity and the lowest probabilities for current smoking or cannabis use, but most drank at least moderately; "Moderate-risk behaviors" (n = 291, 9.8%), and "High-risk behaviors" (n = 824, 27.8%) for CCS who exhibited the highest frequencies for current smoking, cannabis use, and heavy drinking. The multivariable regression revealed that male CCS, less educated or not married were significantly more likely to be in the high-risk behaviors group than the low-risk group. CONCLUSIONS: As CCS remain a vulnerable population, screening for HRB should be routinized in long-term follow-up care and interventions targeting multiple HRB simultaneously among survivors should be developed.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».