Blood Lead and Other Metal Biomarkers as Risk Factors for Cardiovascular Disease Mortality
Notice bibliographique
Résumé
Analyses of the Third National Health and Nutrition Examination Survey (NHANES III) in 1988 to 1994 found an association of increasing blood lead levels < 10 μg/dL with a higher risk of cardiovascular disease (CVD) mortality. The potential need to correct blood lead for hematocrit/hemoglobin and adjust for biomarkers for other metals, for example, cadmium and iron, had not been addressed in the previous NHANES III-based studies on blood lead-CVD mortality association. We analyzed 1999 to 2010 NHANES data for 18,602 participants who had a blood lead measurement, were ≥ 40 years of age at the baseline examination and were followed for mortality through 2011. We calculated the relative risk for CVD mortality as a function of hemoglobin- or hematocrit-corrected log-transformed blood lead through Cox proportional hazard regression analysis with adjustment for serum iron, blood cadmium, serum C-reactive protein, serum calcium, smoking, alcohol intake, race/Hispanic origin, and sex. The adjusted relative risk for CVD mortality was 1.44 (95% confidence interval = 1.05, 1.98) per 10-fold increase in hematocrit-corrected blood lead with little evidence of nonlinearity. Similar results were obtained with hemoglobin-corrected blood lead. Not correcting blood lead for hematocrit/hemoglobin resulted in underestimation of the lead-CVD mortality association while not adjusting for iron status and blood cadmium resulted in overestimation of the lead-CVD mortality association. In a nationally representative sample of U.S. adults, log-transformed blood lead was linearly associated with increased CVD mortality. Correcting blood lead for hematocrit/hemoglobin and adjustments for some biomarkers affected the association.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».