O-321 Exploration of occupations as risk factors for lung cancer in multiple exposure hierarchical and penalization models
Notice bibliographique
Résumé
Introduction We used hierarchical and penalization models to explore occupational risks associated with lung cancer while accounting for exposures to multiple known carcinogenic exposures. Methods 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. Results 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). Conclusion 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.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».