Prevalent occupational exposures and risk of lung cancer among women: Results from the application of the Canadian Job‐Exposure Matrix (CANJEM) to a combined set of ten case–control studies
Notice bibliographique
Résumé
BACKGROUND: Worldwide, lung cancer is the second leading cause of cancer death in women. The present study explored associations between occupational exposures that are prevalent among women, and lung cancer. METHODS: Data from 10 case-control studies of lung cancer from Europe, Canada, and New Zealand conducted between 1988 and 2008 were combined. Lifetime occupational history and information on nonoccupational factors including smoking were available for 3040 incident lung cancer cases and 4187 controls. We linked each reported job to the Canadian Job-Exposure Matrix (CANJEM), which provided estimates of probability, intensity, and frequency of exposure to each selected agent in each job. For this analysis, we selected 15 agents (cleaning agents, biocides, cotton dust, synthetic fibers, formaldehyde, cooking fumes, organic solvents, cellulose, polycyclic aromatic hydrocarbons from petroleum, ammonia, metallic dust, alkanes C18+, iron compounds, isopropanol, and calcium carbonate) that had lifetime exposure prevalence of at least 5% in the combined study population. For each agent, we estimated lung cancer risk in each study center for ever-exposure, by duration of exposure, and by cumulative exposure, using separate logistic regression models adjusted for smoking and other covariates. We then estimated the meta-odds ratios using random-effects meta-analysis. RESULTS AND CONCLUSIONS: None of the agents assessed showed consistent and compelling associations with lung cancer among women. The following agents showed elevated odds ratio in some analyses: metallic dust, iron compounds, isopropanol, and organic solvents. Future research into occupational lung cancer risk factors among women should prioritize these agents.
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 | 0,021 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,020 |
| Bibliométrie | 0,008 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».