Agreement Among Cardiovascular Disease Risk Calculators
Notice bibliographique
Résumé
BACKGROUND: Use of cardiovascular disease risk calculators is often recommended by guidelines, but research on consistency in risk assessment among calculators is limited. METHOD AND RESULTS: A search of PubMed and Google was performed. Five clinicians selected 25 calculators by independent review. Hypothetical patients were created with the use of 7 risk factors (age, sex, smoking, blood pressure, high-density lipoprotein, total cholesterol, and diabetes mellitus) dichotomized to high and low, generating 2(7) patients (128 total). These patients were assessed by each calculator by 2 clinicians. Risk estimates (and assigned risk categories) were compared among calculators. Selected calculators were from 8 countries, used 5- or 10-year predictions, and estimated either cardiovascular disease or coronary heart disease. With the use of 3 risk categories (low, medium, and high), the 25 calculators categorized each patient into a mean of 2.2 different categories, and 41% of unique patients were assigned across all 3 risk categories. Risk category agreement between pairs of calculators was 67%. This did not improve when analysis was limited to just the 10-year cardiovascular disease calculators. In nondiabetics, the highest calculated risk estimate from a calculator averaged 4.9 times higher (range, 1.9-13.3) than the lowest calculated risk estimate for the same patient. This did not change meaningfully for diabetics or when the analysis was limited to 10-year cardiovascular disease calculators. CONCLUSIONS: The decision as to which calculator to use for risk estimation has an important impact on both risk categorization and absolute risk estimates. This has broad implications for guidelines recommending therapies based on specific calculators.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».