Socioeconomic Status, Smoking, and Lung Cancer: Mediation and Bias Analysis in the SYNERGY Study
Notice bibliographique
Résumé
BACKGROUND: Increased lung cancer risks for low socioeconomic status (SES) groups are only partially attributable to smoking habits. Little effort has been made to investigate the persistent risks related to low SES by quantification of potential biases. METHODS: Based on 12 case-control studies, including 18 centers of the international SYNERGY project (16,550 cases, 20,147 controls), we estimated controlled direct effects (CDE) of SES on lung cancer via multiple logistic regression, adjusted for age, study center, and smoking habits and stratified by sex. We conducted mediation analysis by inverse odds ratio weighting to estimate natural direct effects and natural indirect effects via smoking habits. We considered misclassification of smoking status, selection bias, and unmeasured mediator-outcome confounding by genetic risk, both separately and by multiple quantitative bias analyses, using bootstrap to create 95% simulation intervals (SI). RESULTS: Mediation analysis of lung cancer risks for SES estimated mean proportions of 43% in men and 33% in women attributable to smoking. Bias analyses decreased the direct effects of SES on lung cancer, with selection bias showing the strongest reduction in lung cancer risk in the multiple bias analysis. Lung cancer risks remained increased for lower SES groups, with higher risks in men (fourth vs. first [highest] SES quartile: CDE, 1.50 [SI, 1.32, 1.69]) than women (CDE: 1.20 [SI: 1.01, 1.45]). Natural direct effects were similar to CDE, particularly in men. CONCLUSIONS: Bias adjustment lowered direct lung cancer risk estimates of lower SES groups. However, risks for low SES remained elevated, likely attributable to occupational hazards or other environmental exposures.
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 ».