Evidence update on the cancer risk of vaping e-cigarettes: A systematic review
Notice bibliographique
Résumé
INTRODUCTION: There is substantial interest in the association of vaping e-cigarettes with the risk of cancer. We analyzed this risk in different populations by updating the Kings College London (KCL) review to include the period between July 2021 and December 2023. METHODS: original studies examining the association between e-cigarettes and cancer risk, but we excluded qualitative studies. We summarized findings on three types of e-cigarette exposure: acute, short- to medium-term, and long-term. Additionally, we assessed whether the health effects differ between subgroup populations based on various sociodemographic factors, for which we also screened the previously included studies in the KCL review. Different risk-of-bias tools were used to assess the quality of the included human studies. RESULTS: and animal studies. All human studies were conducted in adults, and about half of them had a low risk of bias. No significant incident or prevalent risk of lung cancer or other types of cancer was found in the never smoker current vapers population. However, there was substantial biomarker-based evidence of a significant association between e-cigarette exposure and oxidative stress, cellular apoptosis, DNA damage, genotoxicity, and tumor growth, particularly following acute exposure. We did not find any age or sex-based differences in cancer risk, and findings on race and education-based differences were insufficient. CONCLUSIONS: There is substantial evidence that e-cigarette exposure is associated with biomarkers reflective of cancer disease risk. However, the overall evidence on cancer risk is still limited and should be further investigated by future research, particularly rigorously designed clinical trials and population-based research.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».