Impact of lifestyle factors on fracture risk in older patients with cardiovascular disease: a prospective cohort study of 26,335 individuals from 40 countries
Notice bibliographique
Résumé
BACKGROUND: fractures are a major health concern among the elderly. People at risk for cardiovascular disease (CVD) are at an increased risk for fractures. The aim of this study was to assess the individual and combined effect of the CVD risk factors of smoking, alcohol consumption and physical activity on fracture risk in a large sample of older individuals with CVD or diabetes with end-organ damage. METHODS: we analysed data for 26,335 adults, aged 55 years or older, who participated in two large antihypertensive drug treatment trials and who had no previous fracture at baseline. Lifestyle factors were assessed by the standardised questionnaire and their individual and combined effects on incident fracture risk were modelled using Cox proportional hazard regression. RESULTS: during the 56-month follow-up, 1,079 incident fractures occurred; 508 (6.51%) among women and 571 (3.08%) among men. Smoking [hazard ratio (HR) 1.52, 95% confidence interval (CI) 1.27-1.82] and low physical activity (HR: 1.19, 95% CI: 1.05-1.36) were associated with an increased risk of any fracture, while high alcohol intake showed a directional, but non-significant, relationship with fracture risk (HR: 1.09, 95% CI: 0.64-1.84). Compared with participants with no lifestyle risk factors, those having one, two, or three risk factors had an increased risk of a future fracture (HR: 1.17, 95% CI: 1.03-1.34 for one risk factor; HR: 1.73, 95% CI: 1.38-2.16 for two risk factors; and HR: 2.37, 95% CI: 0.88-6.36 for three risk factors; P for trend <0.001). CONCLUSIONS: a healthier lifestyle advocated to reduce the risk of CVD is associated with a significant and graded reduction in fracture risk.
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) | 0,001 | 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 ».