An exploratory decision tree analysis to predict cardiovascular disease risk in African American women.
Notice bibliographique
Résumé
OBJECTIVE: African American (AA) women are at greater risk for cardiovascular disease (CVD) compared to White women, which can be attributed to disparities in risk factors. The built environment may contribute to improving CVD risk factors by increasing physical activity (PA). This study used recursive partitioning, a multivariate decision tree risk classification approach, to determine which built environment characteristics contributed to the classification of AA women as having 4 or more CVD risk factors at optimal levels. METHOD: Recursive partitioning has the ability to detect interactions and does not have sample size limitations to detect effects. The Classification and Regression Trees (CR&T) growing method was used to group participants as having 4 or more versus 3 or fewer risk factors at optimal levels. Risk factors were smoking, body mass index (BMI), PA, healthy diet, cholesterol, glucose, and blood pressure. Built environment predictors were presence and quality of neighborhood PA resources (PARs), walkability, traffic safety, and crime. RESULTS: Participants (N = 30, mean age of 54.1 ± 7.5) all had at least 1 risk factor at the optimal level, none had all 7, and 66.7% had 4 or more risk factors at optimal levels. The CR&T identified participants with few, low-quality neighborhood PARs and who were older than 55 as least likely to have 4 or more CVD risk factors at optimal levels. CONCLUSION: Being younger than 55 years old and having many, high-quality neighborhood PARs may predict lower risk for CVD in AA women. Results should be used in future studies with larger sample sizes to inform logistic regression models. (PsycINFO Database Record
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».