Influencing factors of lung cancer in nonsmoking women: systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Epidemiological studies have shown that some factors other than smoking may affect the risk of lung cancer in women, but the results are controversial. We conducted a meta-analysis to summarize the influencing factors of lung cancer in nonsmoking women. METHODS: Both English and Chinese databases were searched for publications from 1990 to 2020. All included studies were assessed according to the Newcastle-Ottawa Scale (NOS). The pooled odds ratios (ORs) and 95% confidence interval (CI) of influential factors were analyzed using the meta-analysis method, and the publication bias and sensitivity were analyzed. RESULTS: Among the five categories, the pooled OR of cooking factors category was the highest. Among 42 influencing factors, there were frequent fried food (OR = 2.42, 95% CI: 1.73-3.38) and long menstrual cycle (0.54, 95% CI: 0.39-0.75). A positive association of history of lung diseases/family lung/all cancer with lung cancer among Asian nonsmoking women (1.82, 95% CI: 1.60-2.07). Unlike other regions, cooking factors were the main risk factor for lung cancer in Asian. CONCLUSION: The meta-analysis suggests that cooking habits, diet, passive smoking, history of cancer and lung disease, and female reproduction are related to lung cancer in nonsmoking women. However, additional studies are warranted to extend this finding.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,035 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».