Comparison of different cardiovascular risk score calculators for cardiovascular risk prediction and guideline recommended statin uses
Notice bibliographique
Résumé
OBJECTIVE: The accuracy of various 10-year cardiovascular disease (CVD) risk calculators in Indians may not be the same as in other populations. Present study was conducted to compare the various calculators for CVD risk assessment and statin eligibility according to different guidelines. METHODS: Consecutive 1110 patients who presented after their first myocardial infarction were included. Their CVD risk was calculated using Framingham Risk score- Coronary heart disease (FRS-CHD), Framingham Risk Score- Cardiovascular Disease (FRS-CVD), QRISK2, Joint British Society risk calculator 3 (JBS3), American College of Cardiology/American Heart Association (ACC/AHA), atherosclerotic cardiovascular disease (ASCVD) and WHO risk charts, assuming that they had presented one day before cardiac event for risk assessment. Eligibility for statin uses was also looked into using ACC/AHA, NICE and Canadian guidelines. RESULTS: FRS-CVD risk assessment model has performed the best as it could identify the highest number of patients (51.9%) to be at high CVD risk while WHO and ASCVD calculators have performed the worst (only 16.2% and 28.3% patients respectively were stratified into high CVD risk) considering 20% as cut off for high risk definition. QRISK2, JBS3 and FRS-CHD have performed intermediately. Using NICE, ACC/AHA and Canadian guidelines; 76%, 69% and 44.6% patients respectively were found to be eligible for statin use. CONCLUSION: FRS-CVD appears to be the most useful for CVD risk assessment in Indians, but the difference may be because FRS-CVD estimates risk for several additional outcomes as compared with other risk scores. For statin eligibility, however, NICE guideline use is the most appropriate.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».