Environmental determinants of leukemia and lymphoma: lessons from African epidemiology and global transition
Notice bibliographique
Résumé
Childhood leukemia and lymphoma display striking global heterogeneity that cannot be explained by genetic ancestry or diagnostic access alone. African populations, historically characterized by high infectious burden, nutritional stress, and poor sanitation, exhibit a markedly different spectrum of hematologic malignancies from high-income countries, including reduced incidence of common/pre-B acute lymphoblastic leukemia (c-ALL), absence of the early childhood ALL peak, and increased prevalence of Burkitt lymphoma and chloroma-associated acute myeloid leukemia. Drawing on African epidemiologic data and global comparative studies, this review examines how environmental factors across the life course-particularly maternal health, intrauterine exposures, early-life infection, immune programming, and socioeconomic transition-shape leukemogenic pathways. We place these observations in the context of contemporary models of leukemogenesis that recognize prenatal initiation of preleukemic clones with postnatal environmental modulation of disease progression. As low- and middle-income countries undergo rapid epidemiologic transition, understanding how improvements in sanitation, nutrition, and population mixing may alter leukemia incidence is increasingly relevant for prevention strategies. African experience thus provides a natural experiment for elucidating environmental contributions to leukemogenesis with implications extending well beyond the continent.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,016 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».