Predicting the Risk of Cardiovascular Comorbidities in Adult Cancer Survivors
Notice bibliographique
Résumé
OBJECTIVES: Data on how to identify cancer survivors (css) at the greatest risk for cardiovascular conditions are limited. We aimed to characterize the clinical factors associated with ischemic heart disease (ihd) and congestive heart failure (chf) in css and to develop a stratification schema for predicting the risk of cardiovascular comorbidities in css. METHODS: Cancer survivors and non-cancer controls (nccs) were identified from the U.S. National Health and Nutrition Examination Survey. Independent factors associated with increased relative risk (rr) for cardiovascular conditions were determined. A risk stratification schema was devised that correlated risk score with the prevalence of cardiovascular comorbidities in cs. RESULTS: Baseline characteristics were similar for the 1869 css and 24,337 nccs included in the study. Compared with nccs, css were more likely to report ihd (13.7% vs. 5.2%), chf (7.9% vs. 2.1%), or both (4.2% vs. 1.2%; all p < 0.01). Based on multivariate analyses, risk factors for cardiovascular problems included ages 40-60 years (rr: 3.66; 95% ci: 1.87 to 7.17), 60-80 years (rr: 14.18; 95% ci: 7.65 to 26.30), and 80 years or older (rr: 25.34; 95% ci: 13.16 to 48.78); male sex (rr: 2.25; 95% ci: 1.72 to 2.94); U.S. citizenship (rr: 2.10; 95% ci: 1.08 to 4.08); annual incomes of $20,000-$45,000 (rr: 1.81; 95% ci: 1.21 to 2.70) and less than $20,000 (rr: 3.05; 95% ci: 1.81 to 5.14); comorbid diabetes mellitus (rr: 2.97; 95% ci: 2.05 to 4.32); and physical inactivity (rr: 1.98; 95% ci: 1.41 to 2.79). CONCLUSIONS: Independent risk factors for ihd and chf in css were identified. The risk stratification schema presented here may be helpful in developing a risk-based approach to preventive cardiovascular strategies for css.
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 | 0,000 |
| 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 | 0,000 |
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 ».