MétaCan
Menu
← Retour à la cohorte
Enregistrement W4414277684 · doi:10.1056/nejmoa2502098

Medical Imaging and Pediatric and Adolescent Hematologic Cancer Risk

2025· article· en· W4414277684 sur OpenAlexafffundabout
Rebecca Smith‐Bindman, Susan Alber, Marilyn L. Kwan, Priscila Pequeno, Wesley E. Bolch, Erin J. Aiello Bowles, Robert T. Greenlee, Natasha K. Stout, Sheila Weinmann, Lisa M. Moy, Carly Stewart, Melanie Francisco, Cameron Kofler, James R. Duncan, Jonathan M. Ducore, Malini Mahendra, Jason D. Pole, Diana L. Miglioretti

Notice bibliographique

RevueNew England Journal of Medicine · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiation Dose and Imaging
Établissements canadiensUniversity of TorontoInstitute for Clinical Evaluative Sciences
Organismes subventionnairesNational Institute on Drug AbuseNational Institutes of HealthNational Cancer InstituteNational Center for Chronic Disease Prevention and Health PromotionNational Heart, Lung, and Blood InstituteOntario Ministry of Health and Long-Term Care
Mots-clésMedical imagingCancerPediatric cancerHematologic NeoplasmsRisk assessmentRadiation therapyRadiation exposure

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Assessing the risk of radiation-induced hematologic cancer from medical imaging in children and adolescents might support informed decisions on the use of imaging. METHODS: We followed a retrospective cohort of 3,724,623 children born between 1996 and 2016 in six U.S. health care systems and Ontario, Canada, until the earliest of cancer or benign-tumor diagnosis, death, end of health care coverage, an age of 21 years, or December 31, 2017. Radiation doses to active bone marrow from medical imaging were quantified. Associations between hematologic cancers and cumulative radiation exposure (vs. no exposure), with a lag of 6 months, were estimated with the use of continuous-time hazards models. RESULTS: During 35,715,325 person-years of follow-up (mean, 10.1 years per person), 2961 hematologic cancers were diagnosed, primarily lymphoid cancers (2349 [79.3%]), myeloid cancers or acute leukemia (460 [15.5%]), and histiocytic- or dendritic-cell cancers (129 [4.4%]). The mean (±SD) exposure among children exposed to at least 1 mGy was 14.0±23.1 mGy overall (for comparison, 13.7 mGy was the exposure from one computed tomographic [CT] scan of the head) and 24.5±36.4 mGy among children with hematologic cancer. Cancer risk increased with cumulative dose, with a relative risk (vs. no exposure) of 1.41 (95% confidence interval [CI], 1.11 to 1.78) for 1 to less than 5 mGy, 1.82 (95% CI, 1.33 to 2.43) for 15 to less than 20 mGy, and 3.59 (95% CI, 2.22 to 5.44) for 50 to less than 100 mGy. The cumulative radiation dose to bone marrow was associated with an increased risk of all hematologic cancers (excess relative risk per 100 mGy, 2.54 [95% CI, 1.70 to 3.51; P<0.001]; relative risk for 30 vs. 0 mGy, 1.76 [95% CI, 1.51 to 2.05]) and most tumor subtypes. The excess cumulative incidence of hematologic cancers by 21 years of age among children exposed to at least 30 mGy (mean, 57 mGy) was 25.6 per 10,000. We estimated that, in our cohort, 10.1% (95% CI, 5.8 to 14.2) of hematologic cancers may have been attributable to radiation exposure from medical imaging, with higher risks from the higher-dose medical-imaging tests such as CT. CONCLUSIONS: Our study suggests an association between exposure to radiation from medical imaging and a small but significantly increased risk of hematologic cancer among children and adolescents. (Funded by the National Cancer Institute and others.).

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,060
Score d'incertitude au seuil0,119

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,299
Écart entre enseignants0,291 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations59
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueNew England Journal of Medicine→Même sujetRadiation Dose and Imaging→Travaux en français237 207→