Associations between blood lead and urinary cadmium concentrations and all-cause and specific causes of mortality: estimating intervention effects using the parametric g-formula
Notice bibliographique
Résumé
Abstract Objective Previous studies in the US reported a high mortality risk associated with higher blood lead levels (BLLs) and urinary cadmium (UCd) levels. The aim of this study was to extend the follow-up of the previous analyses and use the parametric g-formula to estimate the 27-year risk of all-cause and specific causes of mortality. Methods We used data on 14,311 adults aged ≥ 20 years enrolled in the NHANES-III between 1988 and 1994 and followed up through Dec 31, 2015. Time and cause of death were determined from the National Death Index records. We used the parametric g-formula with pooled logistic regression models to estimate the relative and absolute risk of all-cause, cardiovascular, and cancer mortality under different potential threshold interventions on BPb and UCd concentrations. Results Median follow-up was 22.5 years, 5,167 (36%) participants died by the end of the study; 1,550 from cardiovascular disease and 1,135 from cancer. An increase of BLLs and creatinine corrected UCd from the 5th (0.70 µg/dL and 0.04 µg/g for BLLs and UCd ) to the 95th percentile (9.70 µg/dL and 1.63 µg/g for BLLs and UCd) was associated with an increased risk of all-cause by 138% (95% CI, 14 to 196) and a 126% (95% CI, 77 to 383). BLLs and UCd were associated with an increase of 109% (95% CI, 4 to 268) and 37% (95% CI, -0.20 to 239) in the risk of cardiovascular mortality when comparing the 5th to the 95th percentiles of exposure. The corresponding increase in risk for cancer mortality was 287% (95% CI, 12 to 691) and 144% (95% CI, -0.34 to 281) for BLLs and UCd, respectively. We found higher risk differences among men and older participants as compared to their counterparts. Conclusion Interventions to reduce historical exposures to lead and cadmium could have prevented several deaths, especially among individuals ≥ 50 years of age as well as in men.
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 | 0,043 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,010 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».