Aortic–Brachial Pulse Wave Velocity Ratio
Notice bibliographique
Résumé
Aortic stiffness, a cardiovascular risk factor, depends on the operating mean arterial pressure (MAP). The impact of aortic stiffness on cardiovascular outcomes is proposed to be mediated by the attenuation or the reversal of the arterial stiffness gradient. We hypothesized that arterial stiffness gradient is less influenced by changes in MAP. We aimed to study the relationship between MAP and aortic stiffness, brachial stiffness, and arterial stiffness gradient. In a cross-sectional study of a dialysis cohort (group A, n=304) and a cohort of hypertensive or kidney transplant recipient with an estimated glomerular filtration rate of >45 mL/min/1.73 m 2 (group B, n=114), we assessed aortic and brachial stiffness by measuring carotid–femoral and carotid–radial pulse wave velocities (PWV). We used aortic–brachial PWV ratio as a measure of arterial stiffness gradient. Although there was a positive relationship between MAP and carotid–femoral PWV ( R 2 =0.10 and 0.08; P <0.001 and P =0.003) and MAP and carotid–radial PWV ( R 2 =0.22 and 0.12; P <0.001 and P <0.001), there was no statistically or clinically significant relationship between MAP and aortic–brachial PWV ratio ( R 2 =0.0002 and 0.0001; P =0.8 and P =0.9) in group A and B, respectively. Dialysis status and increasing age increased the slope of the relationship between MAP and cf-PWV. However, we found no modifying factor (age, sex, dialysis status, diabetes mellitus, cardiovascular disease, and class of antihypertensive drugs) that could affect the lack of relationship between MAP and aortic–brachial PWV ratio. In conclusion, these results suggest that aortic–brachial PWV ratio could be considered as a blood pressure–independent measure of vascular aging.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».