The authors respond
Notice bibliographique
Résumé
We thank Dr. Grant for his comments regarding our recent article on the role of hypertension and chronic kidney disease in the racial disparities in the incidence of renal cell carcinoma among members of Kaiser Permanente Northern California, a large integrated health care system in the greater San Francisco Bay area.1 Dr. Grant presents intriguing evidence to suggest that racial differences in circulating 25-hydroxyvitamin D [25(OH)D] levels may contribute to the disparities in renal cell carcinoma, and this hypothesis warrants further examination. However, we note that the findings of studies evaluating the relation between circulating 25(OH)D levels and renal cell carcinoma risk have been inconsistent. In contrast to the more recent report from the EPIC cohort,2 no association was observed in a prospective investigation of renal cell carcinoma in the NCI Cohort Consortium that included a larger number of cases (560 and 775 cases, respectively).3 Future studies evaluating the association between circulating 25(OH)D levels and risk of renal cell carcinoma among blacks and other non-white populations would be informative. Beyond circulating 25(OH)D levels, several other factors might also explain how hypertension and chronic kidney disease contribute to racial disparities in the overall burden of renal cell carcinoma including differences by race in hypertension control and management of chronic kidney disease, the prevalence of modifiable risk factors related to renal cell carcinoma (e.g., obesity, smoking), and/or genetic susceptibility. Further investigation of each of these factors will likely yield important insights into the underlying mechanisms through which hypertension and chronic kidney disease influence renal cell carcinoma risk and will help us to better understand the racial disparities in this malignancy. Jonathan N. Hofmann Occupational and Environmental Epidemiology Branch Division of Cancer Epidemiology and Genetics National Cancer Institute Bethesda, MD [email protected] Douglas A. Corley Division of Research Kaiser Permanente Northern California Oakland, CA Joanne S. Colt Division of Cancer Epidemiology and Genetics National Cancer Institute Bethesda, MD Brian Shuch Department of Urology Yale School of Medicine New Haven, CT Wong-Ho Chow Department of Epidemiology The University of Texas MD Anderson Cancer Center Houston, TX Mark P. Purdue Division of Cancer Epidemiology and Genetics National Cancer Institute Bethesda, MD Ontario Institute for Cancer Research Toronto, ON Canada
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 | 0,003 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,008 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,447 | 0,327 |
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 ».