Fine Particulate Matter Air Pollution and Mortality Risk Among US Cancer Patients and Survivors
Notice bibliographique
Résumé
Abstract Background Exposure to fine particulate matter (PM2.5) air pollution has been linked to increased risk of mortality, especially cardiopulmonary and lung cancer mortality. It is unknown if cancer patients and survivors are especially vulnerable to PM2.5 air pollution exposure. This study evaluates PM2.5 exposure and risk for cancer and cardiopulmonary mortality in cohorts of US cancer patients and survivors. Methods A primary cohort of 5 591 168 of cancer patients and a 5-year survivor cohort of 2 318 068 was constructed using Surveillance, Epidemiology, and End Results Program data from 2000 to 2016, linked with county-level estimates of long-term average concentrations of PM2.5. Cox proportional hazards models were used to estimate PM2.5-mortality hazard ratios controlling for age-sex-race combinations and individual and county-level covariables. Results Of those who died, 26% died of noncancer causes, mostly from cardiopulmonary disease. Minimal PM2.5-mortality associations were observed for all-cause mortality (hazard ratio [HR] = 1.01, 95% confidence interval [CI] = 1.00 to 1.03) per 10 µg/m3 increase in PM2.5. Substantial adverse PM2.5-mortality associations were observed for cardiovascular (HR = 1.32, 95% CI = 1.26 to 1.39), chronic obstructive pulmonary disease (HR = 1.10, 95% CI = 1.01 to 1.20), influenza and pneumonia (HR = 1.55, 95% CI = 1.33 to 1.80), and cardiopulmonary mortality combined (HR = 1.25, 95% CI = 1.21 to 1.30). PM2.5-cardiopulmonary mortality hazard ratio was higher for cancer patients who received chemotherapy or radiation treatments. Conclusions Air pollution is adversely associated with cardiopulmonary mortality for cancer patients and survivors, especially those who received chemotherapy or radiation treatment. Given ubiquitous and involuntary air pollution exposures and large numbers of cancer patients and survivors, these results are of substantial clinical and public health importance.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».