Risk Factors for Actinic Keratoses
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
Objective: To integrate evidence and assess the risk factors associated with actinic keratosis (AK). Methods: Unrestricted searches were conducted on five electronic databases, with an end-date parameter of September 2021. We summarized the study characteristics and pooled the results from individual studies by using a random-effects model. The risk of bias was estimated using the Cochrane Risk of Bias Tool, and the quality of evidence was estimated according to the Newcastle–Ottawa Scale. Results: Sixteen studies were included in final analysis, and we assessed the AK risk among a variety of risk factors. Overall, the male sex (odds ratio (OR): 2.51; 95% confidence interval (CI): 1.94–3.25; P < 0.01), age >45 years (OR = 7.65, 95% CI: 2.95–19.86; P < 0.01), light Fitzpatrick skin phototype (OR = 2.32, 95% CI: 1.74–3.10; P < 0.01), light hair color (OR = 2.17, 95% CI: 1.40–3.36; P < 0.01), light eye color (OR = 1.67, 95% CI: 1.03–2.70; P = 0.04), freckles on face/arms (OR = 1.88, 95% CI: 1.37–2.58; P < 0.01), suffered positive history of other types of non-melanoma skin cancer (OR = 4.46, 95% CI: 2.71–7.33; P < 0.01), sunburns in childhood (OR = 2.33, 95% CI: 1.47–3.70; P < 0.01) and adulthood (OR = 1.50, 95% CI: 1.12-2.00; P < 0.01), severe sunburn (OR = 1.94, 95% CI: 1.62–2.31; P < 0.01), and chronic occupational and/or recreational sun exposure (OR = 3.22, 95% CI: 2.16–4.81; P < 0.01) increased the risk of AK. Moreover, sunscreen use (OR = 0.51, 95% CI: 0.34–0.77; P < 0.01) and history of atopy reduced the risk of AK. Sensitivity analysis yielded consistent results. The included studies showed a high risk of bias. Conclusion: We confirm several well-known AK risk factors and their quantitative data, and summarized the uncommon risk factors and protective factors. Our results may inform on the design and implementation of AK screening and educational programs.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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