MétaCan
Menu
Retour à la cohorte
Enregistrement W3086789079 · doi:10.5539/gjhs.v12n11p45

Environment as a Breast Cancer-Causing Factors in Urban Women in Indonesia

2020· article· en· W3086789079 sur OpenAlexvenueno aff
Ika Dharmayanti, Khadijah Azhar, Dwi Hapsari Tjandrarini

Notice bibliographique

RevueGlobal Journal of Health Science · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer Risks and Factors
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBreast cancerIncidence (geometry)MedicineEnvironmental healthCancerBreast cancer awarenessGerontologyDemographyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Environmental influence is one of the important factors in breast cancer incidence because residential and work environments may be potential for breast cancer outcomes. This study aimed to determine residential and workplace environments with the occurrence of women breast cancer in urban areas in Indonesia. This study used data from Non-Communicable Disease (NCD Research) in 2016 which covered 34 provinces in Indonesia. There were 38,790 people to measure the occurrence of breast cancer in women aged 25–64 years. The sample was women who were willing to be interviewed and to conduct clinical breast examinations (Sadanis). The analysis was aimed at finding out the correlation between exposure, residential environment, and workplaces with the occurrence of breast tumor/cancer. The results showed that the risk of breast cancer in women who worked in risky workplaces from the normal state was 1.96 times higher than women who worked in non-risky workplaces (OR=1.96; 95% CI= 1.41 to 2.7; p<0.001). Suspected of tumor/cancer in the residential areas are inversely proportional to those not living close to the mining location (OR=0.86; 95% CI= 0.77 to 0.97; p<0.001). These findings suggest the important role of the environment in breast cancer incidence. Therefore, it is recommended to apply a healthy lifestyle, both physically and spiritually, and provide regular health screening.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,950

Scores Codex et Gemma par catégorie

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

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 Opus0,027
Tête enseignante GPT0,331
Écart entre enseignants0,304 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGlobal Journal of Health ScienceMême sujetCancer Risks and FactorsTravaux en français237 207