Utilizing harmonization and common surveillance methods to consolidate 4 cohorts: the Western Alaska Tribal Collaborative for Health (WATCH) study
Notice bibliographique
Résumé
BACKGROUND: According to health status reports, chronic disease prevalence appears to be rising in western Alaska Native (AN) people, and accurate population-based data are needed. Four cohort studies of western AN people were conducted in the Norton Sound and Yukon-Kuskokwim regions, but none have been large enough to allow reliable estimates of rates of chronic diseases and evaluate their risk factors. OBJECTIVE: In this article, the methods used to combine 4 major cohort studies of rural western AN people are described and the benefits and challenges encountered in combining data and standardizing surveillance methods for these studies are discussed. DESIGN: Tribal permission was obtained for each cohort study and the consolidated study. Data from baseline exams were directly combined or harmonized into new variables. Common surveillance methods were developed and implemented to identify incidence and risk factors for cardiovascular disease (CVD) events and type 2 diabetes. RESULTS: A cohort of 4,569 western AN participants (2,116 men and 2,453 women), aged 18-95 years, was established to study CVD and diabetes prevalence. Prospective surveillance data over an average 6.7-year follow-up can now be used to study CVD and diabetes incidence and associated risk factors in a subset of 2,754 western AN participants (1,218 men and 1,536 women) who consented to initial surveillance. CONCLUSIONS: The combined cohort provides statistical power to examine incidence rates and risk factors for CVD and diabetes and allows for analyses by geographic region. The data can be used to develop intervention programmes in these populations 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 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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».