MétaCan
Menu
Retour à la cohorte
Enregistrement W3164603569 · doi:10.1093/jncics/pkab029

Nongenetic Determinants of Risk for Early-Onset Colorectal Cancer

2021· article· en· W3164603569 sur OpenAlexafffund
Alexi Archambault, Yi Lin, Jihyoun Jeon, Tabitha A. Harrison, D. Timothy Bishop, Hermann Brenner, Graham Casey, Andrew T. Chan, Jenny Chang‐Claude, Jane C. Figueiredo, Steven Gallinger, Stephen B. Gruber, Marc J. Gunter, Michael Hoffmeister, Mark A. Jenkins, Temitope O. Keku, Loı̈c Le Marchand, Li Li, Vı́ctor Moreno, Polly A. Newcomb, Rish K. Pai, Patrick S. Parfrey, Gad Rennert, Lori C. Sakoda, Robert S. Sandler, Martha L. Slattery, Mingyang Song, Aung Ko Win, Michael O. Woods, Neil Murphy, Peter T. Campbell, Yu‐Ru Su, Anne Zeleniuch‐Jacquotte, Peter S. Liang, Mengmeng Du, Li Hsu, Ulrike Peters, Richard B. Hayes

Notice bibliographique

RevueJNCI Cancer Spectrum · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueColorectal Cancer Screening and Detection
Établissements canadiensMemorial University of NewfoundlandLunenfeld-Tanenbaum Research InstituteUniversity of TorontoMount Sinai Hospital
Organismes subventionnairesNational Institute of Diabetes and Digestive and Kidney DiseasesNational Cancer InstituteAgència de Gestió d'Ajuts Universitaris i de RecercaWorld Cancer Research FundMedical Research CouncilHellenic Health FoundationInstitut Gustave-RoussyDeutsche KrebshilfeNordForskVetenskapsrådetCanadian Institutes of Health ResearchCancerfondenOntario Ministry of Research and InnovationDeutsches KrebsforschungszentrumLigue Contre le CancerBundesministerium für Bildung und ForschungInstitut National de la Santé et de la Recherche MédicaleHarvard T.H. Chan School of Public HealthCanadian Cancer Society Research InstituteMcGill UniversityBrigham and Women's HospitalAssociazione Italiana per la Ricerca sul CancroDamon Runyon Cancer Research FoundationAgency for Healthcare Research and QualityInstituto de Salud Carlos IIIXarxa de Bancs de Tumors de CatalunyaCancer Research UKWorld Health OrganizationEuropean CommissionJohns Hopkins UniversityNational Institutes of HealthU.S. Department of Health and Human Services
Mots-clésMedicineColorectal cancerMEDLINEOncologyInternal medicineCancer

Résumé

récupéré en direct d'OpenAlex

Abstract Background Incidence of early-onset (younger than 50 years of age) colorectal cancer (CRC) is increasing in many countries. Thus, elucidating the role of traditional CRC risk factors in early-onset CRC is a high priority. We sought to determine whether risk factors associated with late-onset CRC were also linked to early-onset CRC and whether association patterns differed by anatomic subsite. Methods Using data pooled from 13 population-based studies, we studied 3767 CRC cases and 4049 controls aged younger than 50 years and 23 437 CRC cases and 35 311 controls aged 50 years and older. Using multivariable and multinomial logistic regression, we estimated odds ratios (ORs) and 95% confidence intervals (CIs) to assess the association between risk factors and early-onset CRC and by anatomic subsite. Results Early-onset CRC was associated with not regularly using nonsteroidal anti-inflammatory drugs (OR = 1.43, 95% CI = 1.21 to 1.68), greater red meat intake (OR = 1.10, 95% CI = 1.04 to 1.16), lower educational attainment (OR = 1.10, 95% CI = 1.04 to 1.16), alcohol abstinence (OR = 1.23, 95% CI = 1.08 to 1.39), and heavier alcohol use (OR = 1.25, 95% CI = 1.04 to 1.50). No factors exhibited a greater excess in early-onset compared with late-onset CRC. Evaluating risks by anatomic subsite, we found that lower total fiber intake was linked more strongly to rectal (OR = 1.30, 95% CI = 1.14 to 1.48) than colon cancer (OR = 1.14, 95% CI = 1.02 to 1.27; P = .04). Conclusion In this large study, we identified several nongenetic risk factors associated with early-onset CRC, providing a basis for targeted identification of those most at risk, which is imperative in mitigating the rising burden of this disease.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,004
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,018
Tête enseignante GPT0,307
Écart entre enseignants0,290 · 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'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

Citations79
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJNCI Cancer SpectrumMême sujetColorectal Cancer Screening and DetectionTravaux en français237 207