Duration and intensity when estimating smoking-attributable mortality: Development of a new method applied to the case of lung cancer in France
Bibliographic record
Abstract
La méthode canonique d’estimation de la mortalité attribuable au tabac ne prend en compte ni le nombre d’années durant lesquelles l’individu a fumé, ni le temps écoulé depuis l’arrêt le cas échéant. Elle ne permet donc pas de mettre en œuvre des projections incluant des scénarios alternatifs de modification des comportements d’initiation ou d’arrêt du tabagisme. Cet article propose une nouvelle méthode qui combine, d’une part, les valeurs empiriques provenant de la littérature épidémiologique des effets de la durée (du tabagisme et depuis l’arrêt) sur la mortalité et, d’autre part, les distributions réelles de ces durées dans la population. Cette nouvelle méthode est plus coûteuse en données que la méthode canonique, notamment appliquée dans le cas du cancer du poumon en France en agrégeant des enquêtes transversales répétées (enquêtes « Baromètre Santé » de l’INPES de 1975 à 2010) pour créer des pseudo-cohortes. Selon ce modèle, la mortalité par cancer du poumon augmenterait de 50 % jusqu’en 2035, avant de se stabiliser. Les simulations montrent que diviser par deux le taux d’initiation chez les adolescents sauverait 20 500 vies au cours de la période 2010-2060, alors qu’un doublement du taux de cessation chez les adultes sauverait 53 000 vies sur la même période. Ce travail permet de quantifier l’intuition selon laquelle les interventions et politiques visant à augmenter le sevrage sauveraient plus de vies à moyen terme que celles visant à prévenir l’initiation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".