Characterization and influencing factors of visit-to-visit blood pressure variability of the population in a northern Chinese industrial city
Notice bibliographique
Résumé
BACKGROUND: Blood pressure variability (BPV) is a reliable prognostic factor for cardiovascular events. Currently there is a worldwide lack of large sample size studies in visit-to-visit BPV. Based on the Kailuan Study, we analyzed the visit-to-visit BPV of patients to investigate the range and influencing factors of BPV. METHODS: In 11 hospitals in the Kailuan Company, 4 441 patients received routine health checkups. Physical examination measured blood pressure (BP), body height, body weight, and waist circumference, and body mass index was calculated. Blood samples were analyzed for plasma total cholesterol (TC), triglyceride (TG), high-density lipoprotein cholesterol (HDL-C), low-density lipoprotein cholesterol (LDL-C), fasting blood glucose (FBG), and high-sensitivity c-reactive protein (hs-CRP). RESULTS: The effect of gender on systolic BPV was investigated. The average systolic BPV was 10.35 mmHg (1 mmHg = 0.133 kPa) overall, 10.54 mmHg in males and 10.06 mmHg in females. Multivariate Logistic regression analysis revealed that the age (RR = 1.022), systolic BP (SBP, RR = 1.007), LDL-C (RR = 1.098), and history of hypertension (RR = 1.273) were significant risk factors for higher systolic BPV. We found that aging (RR = 1.022), increased SBP (RR = 1.007), and a history of hypertension (RR = 1.394) were determinants of systolic BPV in males. The risk factors for systolic BPV of females were aging (RR = 1.017), increased SBP (RR = 1.009), increased LDL (RR = 1.136), and increased TG (RR = 1.157). CONCLUSION: Our findings indicated that the systolic BPV is closely associated with age, SBP and history of hypertension.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».