The Risk Factors of Premature Myocardial Infarction: A Case Control Study in Iran
Notice bibliographique
Résumé
BACKGROUND: Although, our knowledge about the factors of cardio vascular diseases (CVD) is relatively acceptable, we have few publications about the risk factors of premature CVD particularly from developing countries such as Iran. OBJECTIVES: The present study is aimed to assess the risk of the modifiable risk factors of coronary heart disease (CHD) in the first cardiac attack of patients classified by age to check which risk factors might have a more significant impact to increase the risk of premature myocardial infarction (MI). METHODS: In a case control study, 122 and 266 cases and controls were recruited from one of the main referral centres in Tehran. Cases were those who were hospitalized because of their first myocardial infarction before the ages of 50 and 55 years in males and females respectively, and compared their risk factor profiles with those experienced first MI in higher age. Main independent variables in this study were: the demographic variables, distress, lipid profile, diabetes, smoking, family history of cardio vascular diseases, and physical activity. RESULTS: The results showed that distress (OR= 3.95), minorities (compare to Fars race) (OR= 3.30), higher education (OR= 1.30), family history of hyperlipidaemia (OR=1.89) significantly increased the risk of premature MI. We also found that family history of hypertension (OR=1.35), current smoking versus no smoking (OR=1.60), fast-food consumption (OR=1.48), non-alcoholic beverages (OR= 1.12) had also association with the risk of premature MI but only in crude model. We also found that regular physical activity (OR=0.42), ex-smoker versus current smoking (OR=0.27) and regular consumption of milk (OR=0.73) was protective against premature MI. CONCLUSION: Our findings demonstrate that the effect of most of risk factors were mostly related to their life-style (distress, smoking, physical inactivity and dietary pattern); while family history of diseases was also important.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».