Variation among cardiovascular risk calculators in relative risk increases with identical risk factor increases
Notice bibliographique
Résumé
BACKGROUND: Risk estimates for the same patient can vary substantially among cardiovascular risk calculators and the reasons are not fully explained. We compared the relative risk increases for consistent risk factors changes across different cardiovascular risk calculators. METHODS: Five clinicians independently selected 16 calculators providing absolute risk estimations. Hypothetical patients were generated using a combination of seven risk factors [age, gender, smoking, blood pressure, high-density lipoprotein (HDL), total cholesterol and diabetes] dichotomized to high and low risk, generating 2(7) patients (128 total). Relative risk increases due to specific risk factors were determined and compared. RESULTS: The 16 selected calculators were from six countries, used 5- and 10-year predictions, and estimated CVD or coronary heart disease risk. Across the different calculators for non-diabetic patients, changing age from 50 to 70 produced average relative risk increases from 82 to 395%, gender (female to male) 35-225%, smoking status 31-118%, systolic blood pressure (120-160 mmHg) 16-124%, total cholesterol (4-7 mmol/L) 51-302% and HDL (1.3-0.8 mmol/L) 27-133%. Similar results were found among diabetic patients. Some calculators appeared to have consistently higher relative risk increases over multiple risk factors. CONCLUSIONS: Cardiovascular risk calculators weigh the same risk factors differently. For each risk factor, the relative risk increase from the calculator with the highest increase was generally three to eight times greater than the relative risk increase from the calculator with lowest increase. This likely contributes to some of the inconsistency in risk calculator estimation. It also limits the use of risk calculators in estimating the benefits of therapy.
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 | 0,010 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».