Analysis of Lung Cancer Incidence in Non-Hispanic Black and White Americans using a Multistage Carcinogenesis Model
Notice bibliographique
Résumé
PURPOSE: There are complex and paradoxical patterns in lung cancer incidence by race/ethnicity and gender; compared to non-Hispanic White (NHW) males, non-Hispanic Black (NHB) males smoke fewer cigarettes per day and less frequently but have higher lung cancer rates. Similarly, NHB females are less likely to smoke but have comparable lung cancer rates to NHW females. We use a multistage carcinogenesis model to study the impact of smoking on lung cancer incidence in NHB and NHW individuals in the Multiethnic Cohort Study (MEC). METHODS: The effects of smoking on the rates of lung tumor initiation, promotion, and malignant conversion, and the incidence of lung cancer in NHB versus NHW adults in the MEC were analyzed using the Two-Stage Clonal Expansion (TSCE) model. Maximum likelihood methods were used to estimate model parameters and assess differences by race/ethnicity, gender, and smoking history. RESULTS: Smoking increased promotion and malignant conversion but did not affect tumor initiation. Non-smoking-related initiation, promotion, and malignant conversion and smoking-related promotion and malignant conversion differed by race/ethnicity and gender. Non-smoking-related initiation and malignant conversion were higher in NHB than NHW individuals, whereas promotion was lower in NHB individuals. CONCLUSION: Findings suggest that while smoking plays an important role in lung cancer risk, background risk not dependent on smoking also plays a significant and under-recognized role in explaining race/ethnicity differences. Ultimately, the resulting TSCE model will inform race/ethnicity-specific lung cancer natural history models to assess the impact of preventive interventions on US lung cancer outcomes and disparities by race/ethnicity.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».