Accumulation of Non-Traditional Risk Factors for Coronary Heart Disease Is Associated with Incident Coronary Heart Disease Hospitalization and Death
Notice bibliographique
Résumé
BACKGROUND: Assessing multiple traditional risk factors improves prediction for late-life diseases, including coronary heart disease (CHD). It appears that non-traditional risk factors can also predict risk. The objective was to investigate contributions of non-traditional risk factors to coronary heart disease risk using a deficit accumulation approach. METHODS: Community-dwelling adults with no known history of CHD (n = 2195, mean age 46.9±18.7 years, 51.8% women) participated in the 1995 Nova Scotia Health Survey. Three risk factor indices were constructed to quantify the proportion of deficits present in individuals: 1) a 17-item Non-Traditional Risk Factor Index (e.g. sinusitis, arthritis); 2) a 9-item Traditional Risk Factor Index (e.g. hypertension, diabetes); and 3) a frailty index (25 items combined from the other two index measures). Ten-year risks of CHD events (defined as CHD-related hospitalization and CHD-related mortality) were evaluated. RESULTS: The Non-Traditional Risk Factor Index, made up of health deficits unrelated to CHD, was independently associated with incident CHD events over 10 years after controlling for age, sex, and the Traditional Risk Factor Index [adjusted {adj.} Hazard Ratio {HR} = 1.31; Confidence Interval {CI} 1.14-1.51]. When all health deficits, both those related and unrelated to CHD, were included in a frailty index the corresponding adjusted hazard ratio was 1.61; CI 1.40-1.85. CONCLUSION: Both traditional and non-traditional risk factor indices are independently associated with incident CHD events. CHD risk assessment may benefit from consideration of general health information as well as from traditional risk factors.
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 | 0,001 |
| 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 ».