The multidimensional role of cancer epidemiology in cancer prevention: discovery science and beyond
Notice bibliographique
Résumé
The pivotal role of epidemiology in the identification of the causes of cancer is well recognized. However, after this identification, the translation of those findings into cancer prevention typically requires further epidemiological research. The role of cancer epidemiology in these next steps and in other aspects of cancer prevention is perhaps less well appreciated. Here we describe a framework for the multidimensional role of cancer epidemiology in cancer prevention including (1) hazard identification, (2) risk assessment, (3) understanding natural history, and (4) evaluating biological targets for prevention. The approaches required will vary depending on the type of prevention strategy. For example, primary prevention will usually require hazard identification and risk assessment and/or burden estimation, whereas secondary prevention will require studies of the natural history of disease. We describe the types of epidemiological study designs that are used to address these 4 dimensions and the role of novel methods in their success. We illustrate this with 5 examples: occupational radiation exposure, menopausal hormone therapy, per- and polyfluoroalkyl substances, obesity, and lung computed tomography screening. These examples show how the framework provides a systematic approach to define research questions and interpret results in the context of cancer prevention. This broader view of the field of cancer epidemiology also requires broader measures of success that go beyond the discovery of causes and estimates of population attributable fractions through to reductions of harmful exposures and eventually lowering cancer incidence and mortality in the affected populations.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».