Abstract 472: Prevalence of Fredrickson-Levy Dyslipidemia Phenotypes at Extreme HDL-C Levels: The Very Large Database of Lipids (VLDL-9B)
Notice bibliographique
Résumé
Introduction: Big data techniques offer a novel opportunity to characterize individuals with extreme phenotypes. In this context, we aimed to describe the prevalence of classical Fredrickson-Levy dyslipidemia phenotypes at the extremes of HDL-C levels in a cross-sectional big data study. Methods: We examined 848,801 U.S. adults and children from the Very Large Database of Lipids 1.0 who were referred for lipoprotein testing from 2009 to 2011. We categorized patients into HDL-C percentile categories (<0.1th, 0.1th to 99th to 99.9th, and >99.9th). We examined the prevalence of Fredrickson-Levy dyslipidemia phenotypes (I, IIa, IIb, III, IV and V) within these categories. We identified those who did not meet criteria for any classical dyslipidemia phenotype as the continuum group. Results: Type I and V were mostly present at extremely low HDL-C levels. Type IIa was more prevalent in high vs. low HDL-C levels. Type III was 2-fold more prevalent in extremely low vs. high HDL-C levels. Type IV was the most prevalent classical dyslipidemia phenotype in our population, and was the most frequent at low HDL-C percentiles. About 50% of the extremely low and 90% of the extremely high HDL-C levels were classified into the continuum group. Conclusion: In our cross-sectional big data analysis, there was a significantly higher prevalence of most classical dyslipidemia phenotypes at extremely low HDL-C compared with extremely high HDL-C levels. Only types I and V were more prevalent in extreme groups than general population. To some extent, very low HDL-C levels may be determined by inheritable, highly atherogenic dyslipidemias.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».