Exposure to procedural ionizing radiation and cancer risk among physicians
Notice bibliographique
Résumé
BACKGROUND: Physicians in certain specialities are routinely exposed to procedural ionizing radiation. Their risk of cancer is unknown, including by cancer sub-types. AIMS: To assess cancer risk among exposed physicians. METHODS: This population-based case-control study was completed in Ontario, Canada, where healthcare is universal, using linkage of physician billing claims to a province-wide cancer registry. Up to five cancer-free physician controls were matched to each cancer-affected physician, by sex, and both age at and year of, entry into practice. Cumulative exposure to procedural ionizing radiation was captured by physician billing claims. Conditional logistic regression generated an odds ratio (OR) of cancer per 1000 procedures performed and as a binary exposure comparing physicians above the upper 95th percentile cumulative number of procedures (≥200) to those below this cut point. RESULTS: Mean (standard deviation) age of the 1265 cases and 5772 non-cancer controls was 39.7 (10.7) and 37.7 (9.0) years, and 45% and 49% were female, respectively. After a median (interquartile ranges) of 13.0 (6.9-20.4) and 12.5 (6.5-20.1) years of lookback among cases and controls, the OR of cancer was 1.02 (95% confidence interval 0.99-1.05; P = NS) per 1000 additional procedures performed. Modelling the cumulative exposure to procedures nonlinearly did not change the observed association (P > 0.40 for each). Comparing physicians above versus below the upper 95th percentile cumulative number of procedures, the OR of cancer was 1.23 (95% confidence interval 0.75-2.01, P = NS). CONCLUSIONS: Physician exposure to procedural ionizing radiation was not associated with a higher risk of cancer. Measures that minimize radiation exposure should continue.
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 | 0,000 | 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 ».