O-321 Exploration of occupations as risk factors for lung cancer in multiple exposure hierarchical and penalization models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<h3>Introduction</h3> We used hierarchical and penalization models to explore occupational risks associated with lung cancer while accounting for exposures to multiple known carcinogenic exposures. <h3>Methods</h3> We pooled lung cancer case-control study subjects from 14 European and Canadian studies. Associations between employment in 1,506 five-digit ISCO-68 occupations and lung cancer were screened using Bayesian hierarchical and lasso penalized regressions accounting for age, smoking, sex, study, and fully quantitative exposures to six known occupational lung carcinogens: asbestos, chromium, diesel engine exhaust, nickel, PAHs, and silica. False positive findings in the penalization model were controlled using stability selection with specified family-wise error rates. Lung cancer odds ratios for selected occupations were calculated using unconditional logistic regression model with identical covariates. <h3>Results</h3> Our study included 16,901 cases and 20,965 controls. Jobs selected by the hierarchical and penalization models were similar. Occupations with positive associations with lung cancer after controlling for the known carcinogens included building painters (OR: 1.40; 95 CI: 1.17, 1.67), carpenters (OR: 1.77; 95 CI: 1.36, 2.33), and paviours (OR: 3.91; 95 CI: 1.75, 9.61). <h3>Conclusion</h3> We demonstrated viable agnostic approaches in identifying employment risk factors for lung cancer. Future work involves investigations of factors that contribute to the observed elevated cancer risks.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle