Application and validation of a diagnostic algorithm for the atherogenic apoB dyslipoproteinemias
Notice bibliographique
Résumé
BACKGROUND: We applied a diagnostic algorithm using apolipoprotein B (apoB) in combination with triglycerides (TG) and total cholesterol to determine the prevalence of dyslipoproteinemias in the general population. We also characterized the overall cardiovascular (CV) risk profiles, including arterial structure and function as measured with a panel of noninvasive parameters. DESIGN: Clinical and biochemical characteristics and noninvasive measurements of atherosclerosis (NIMA) were determined in 1517 individuals, aged 50-70 years. RESULTS: In general, all dyslipoproteinemias were characterized by a worse CV risk profile and deteriorated outcomes of NIMA compared to those with normal apolipoprotein B (< 1·2 g L(-1)) and TG (< 1·5 mM) levels. The prevalence of hyperapoB-hyperTG was 15·1%, and these individuals showed the most abnormal atheroma-related parameters: reduced ankle-brachial-index at rest (-3·5%) and after exercise (-9·8%), increased intima-media thickness (+5·5%) and more carotid plaques (+39·1%). The prevalence of normoapoB-hyperTG because of increased VLDL was 18·1% and 2·3% because of increased chylomicrons and VLDL, and in these groups, the parameters related to stiffness (e.g. pulse-wave-velocity +7·6% and +5·2%, respectively) were most abnormal. Adjustment for apolipoprotein B (apoB) reduced differences in NIMA in the hyperapoB-hyperTG group, whereas adjustment for TG reduced differences in NIMA in the normoapoB-hyperTG group. CONCLUSIONS: The overall prevalence of dyslipoproteinemias according to the algorithm was approximately 40% in the Dutch population. The different dyslipoproteinemias showed a less favourable CV risk profile and deteriorated NIMA parameters, reflecting increased subclinical atherosclerosis. Furthermore, different effects on different NIMA parameters were observed in the different dyslipoproteinemias.
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 | 0,005 | 0,007 |
| 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 ».