Recalibration of a Framingham risk equation for a rural population in India
Notice bibliographique
Résumé
BACKGROUND: Coronary heart disease (CHD) risk estimation tools are a simple means of identifying those at high risk in a community and hence a potentially cost-effective strategy for CHD prevention in resource-poor countries. Since India has few local data upon which to develop such a tool de novo, in this study a Framingham risk equation has been recalibrated to estimate CHD risks in a population from rural India and the sensitivity of the method to information resources examined. Recent surveys of this population have found high levels of cardiovascular risk factors, particularly metabolic risk factors and a high proportion of mortality due to cardiovascular diseases. METHODS: The proportion of a rural Indian population at high risk of CHD using three risk estimation equations was estimated. The first a published version of the Framingham risk equation, the second a recalibrated equation using local mortality surveillance data and local risk factor data, and the third a recalibrated equation using national mortality data and local risk factor data. RESULTS: The mean 10-year probability of CHD for adults >30 years was 10.4% (9.6% to 11.1%) for men and 5.3% (4.9% to 5.7%) for women using the Framingham equation; 10.7% (9.9% to 11.5%) for men and 4.2% (3.9% to 4.5%) for women using the local recalibration; and 18.9% (17.7% to 20.1%) for men and 8.2% (7.6% to 8.8%) for women using the national recalibration. CONCLUSION: These findings indicate that in India, equations recalibrated to summary national data are unlikely to be relevant to all regions of India and demonstrate the importance of local data collection to enable development of relevant CHD risk tools.
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 | 0,018 | 0,010 |
| 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 | 0,001 |
| 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 ».