Estimating the Population Impact of Lp(a) Lowering on the Incidence of Myocardial Infarction and Aortic Stenosis—Brief Report
Notice bibliographique
Résumé
OBJECTIVE: High lipoprotein(a) (Lp[a]) is the most common genetic dyslipidemia and is a causal factor for myocardial infarction (MI) and aortic stenosis (AS). We sought to estimate the population impact of Lp(a) lowering that could be achieved in primary prevention using the therapies in development. APPROACH AND RESULTS: We used published data from 2 prospective cohorts. High Lp(a) was defined as ≥50 mg/dL (≈20th percentile). Relative risk, attributable risk, the attributable risk percentage, population attributable risk, and the population attributable risk percentage were calculated as measures of the population impact. For MI, the event rate was 4.0% versus 2.8% for high versus low Lp(a) (relative risk, 1.46; 95% confidence interval [CI], 1.45-1.46). The attributable risk was 1.26% (95% CI, 1.24-1.27), corresponding to 31.3% (95% CI, 31.0-31.7) of the excess MI risk in those with high Lp(a). The population attributable risk was 0.21%, representing a population attributable risk percentage of 7.13%. For AS, the event rate was 1.51% versus 0.78% for high versus low Lp(a) (relative risk, 1.95; 95% CI, 1.94-1.97). The attributable risk was 0.74% (95% CI, 0.73-0.75), corresponding to 48.8% (95% CI, 48.3-49.3) of the excess AS risk in those with high Lp(a). The population attributable risk was 0.13%, representing a population attributable risk percentage of 13.9%. In sensitivity analyses targeting the top 10% of Lp(a), the population attributable risk percentage was 5.2% for MI and 7.8% for AS. CONCLUSIONS: Lp(a) lowering among the top 20% of the population distribution for Lp(a) could prevent 1 in 14 cases of MI and 1 in 7 cases of AS, suggesting a major impact on reducing the burden of cardiovascular disease. Targeting the top 10% could prevent 1 in 20 MI cases and 1 in 12 AS cases.
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 | 0,000 |
| 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 ».