MétaCan
Menu
← Retour à la cohorte
Enregistrement W2240640285 · doi:10.1182/blood.v110.11.2672.2672

Subpopulations with Iron Deficiency, Liver Disease, or HFE Mutations Revealed by Statistical Mixture Modeling of Transferrin Saturation and Serum Ferritin Concentration in Asians, African Americans, Hispanics, and Whites.

2007· article· en· W2240640285 sur OpenAlexaff
Christine E. McLaren, Victor R. Gordeuk, Wen‐Pin Chen, James C. Barton, Ronald T. Acton, Mark Speechley, Oswaldo Castro, Paul C. Adams, Beverly M. Snively, Emily Harris, David M. Reboussin, Geoffrey J. McLachlan, Richard Bean, Gordon D. McLaren

Notice bibliographique

RevueBlood · 2007
Typearticle
Langueen
DomaineMedicine
ThématiqueIron Metabolism and Disorders
Établissements canadiensLondon Health Sciences CentreWestern University
Organismes subventionnairesnon disponible
Mots-clésTransferrin saturationHereditary hemochromatosisHemochromatosisConfidence intervalFerritinInternal medicineDemographyMedicineTransferrinPopulationEthnic groupEndocrinologySerum ferritin

Résumé

récupéré en direct d'OpenAlex

Abstract In previous investigations, we modeled the distribution of transferrin saturation (TS) in Caucasians and demonstrated a strong association between HFE genotype and TS subpopulations. Extending this approach, we now have analyzed joint population distributions of TS and serum ferritin concentration (SF) measured in the multi-ethnic Hemochromatosis and Iron Overload Screening (HEIRS) Study and examined the association of these distributions with the presence of HFE C282Y and H63D mutations, self-reported liver disease, and iron deficiency (defined as SF <15 μg/L). Based on separate models for each race/ethnicity by gender, four components with successively increasing age-adjusted means for TS and SF were identified in data from 26,832 African Americans, 12,620 Asians, 12,264 Hispanics, and 43,254 Whites. Fig. 1 illustrates age-adjusted values from 16,662 White men. Superimposed 95% confidence ellipses reflect component probability densities and show separation of the 1st and 4th components that had the lowest and highest means for TS and SF, respectively. Table 1 presents the range of estimates from individual models and indicates that the 2nd (largest) component had TS means of 22–26% for women (29–30% for men) and SF means of 43–82 μg/L for women (165–242 μg/L for men). The 3rd and 4th components had progressively smaller proportions and higher mean values of TS and SF, while the 1st component in each model had mean TS <16% for women (<20% for men), and mean SF <28 μg/L for women (<47 μg/L for men). Compared to the 2nd component: adjusted odds of iron deficiency were significantly higher in the 1st component (15–48 for women, 61–3530 for men); adjusted odds of self-reported liver disease were significantly higher in the 3rd and 4th components for African-American women and all men; and adjusted odds of any HFE mutation were increased in the 3rd component (1.4–1.8 for women, 1.2–1.9 for men) and in the 4th component for Hispanic and White women (1.5, 5.2, respectively) and men (2.8, 4.7, respectively). Joint mixture modeling identifies one component with lower mean SF and TS at risk for iron deficiency and two components with higher mean SF and TS at risk for liver disorders and HFE mutations. This approach permits characterization of the aggregate effects of hereditary or acquired factors that influence these serum iron measures in populations, and complements and enhances genetic and phenotypic testing for assessment of disease characteristics. Table 1 Range of estimates from models.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,246
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBlood→Même sujetIron Metabolism and Disorders→Travaux en français237 207→