Incident Heart Failure Prediction in the Elderly
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Despite the rising heart failure (HF) incidence and aging United States population, there are no validated prediction models for incident HF in the elderly. We sought to develop a new prediction model for 5-year risk of incident HF among older persons. METHODS AND RESULTS: Proportional hazards models were used to assess independent predictors of incident HF, defined as hospitalization for new-onset HF, in 2935 elderly participants without baseline HF enrolled in the Health ABC study (age, 73.6 +/- 2.9 years, 47.9% males, 58.6% whites). A prediction equation was developed and internally validated by bootstrapping, allowing the development of a 5-year risk score. Incident HF developed in 258 (8.8%) participants during 6.5 +/- 1.8 years of follow-up. Independent predictors of incident HF included age, history of coronary disease and smoking, baseline systolic blood pressure and heart rate, serum glucose, creatinine, and albumin levels, and left ventricular hypertrophy. The Health ABC HF model had a c-statistic of 0.73 in the derivation dataset, 0.72 by internal validation (optimism-corrected), and good calibration (goodness-of-fit 2 6.24, P=0.621). A simple point score was created to predict incident HF risk into 4 risk groups corresponding to <5%, 5% to 10%, 10% to 20%, and >20% 5-year risk. The actual 5-year incident HF rates in these groups were 2.9%, 5.7%, 13.3%, and 36.8%, respectively. CONCLUSION: The Health ABC HF prediction model uses common clinical variables to predict incident HF risk in the elderly, an approach that may be used to target and treat high-risk individuals.
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.
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 | 0,001 |
| 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 | 0,001 |
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 découle