Regional differences in the contribution of smoking, dietary and cooking behaviours to airflow obstruction in China: A population‐based case–control study
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: The major contributing risk factors to airflow obstruction (AO) in China remain largely unknown. We examined the environmental and lifestyle risk factors of unrecognized AO in the baseline of a population-based cohort drawn from 115 urban and rural communities across 12 provinces in China. METHODS: Amongst 46,285 adults recruited from 2005 to 2009, 3686 were identified with AO on spirometry (defined by the ratio of forced expiratory volume in the first second to forced vital capacity <0.7) and without known chronic lung disease. These cases were age- and sex-matched to 11,129 controls with normal spirometry and no chronic lung disease from the same community. Conditional multivariable adjusted OR and population attributable fraction (PAF) were calculated for each identified risk factor and their combined effect. RESULTS: Compared to controls, smoking initiation age <20 years (OR 1.22 [95% CI 1.01-1.48]), smoking duration ≥40 years (OR 1.82 [1.50-2.22]), low vegetables (OR 1.86 [1.67-2.07]) and fruits (OR 1.14 [1.02-1.29]) intake, cooking with biomass fuels (OR 2.54 [2.32-2.78]) and poor kitchen ventilation (OR 1.37 [1.19-1.58]) were significantly associated with elevated risks of unrecognized AO. The combined effect of these lifestyle factors significantly elevated the odds by 25 fold (18.6-34.3). The addition of prior tuberculosis and low socioeconomic status further increased the odds to 40.1 (28.2-57.0) and the PAF to 66.7% (51.1-78.1). CONCLUSION: Smoking, unhealthy diet, biomass cooking fuels and low socioeconomic status are strongly associated with AO. Addressing these risk factors could substantially reduce the burden of AO in China.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».