A NETWORK PERSPECTIVE OF AGING AND FRAILTY
Notice bibliographique
Résumé
We computationally model aging individuals as a network of nodes representing health attributes. Nodes stochastically damage to form health deficits. Damage rates depend on the state of neighboring nodes to represent interactions between physiological systems. The Frailty Index (FI) is the proportion of health deficits in a set of health attributes, or the proportion of damaged nodes in a subset of the network. Our model demonstrates known patterns of human aging, such as Gompertz’s law of mortality and the average trajectory of the FI, without any assumption of programmed aging. We use our model to better understand factors that influence the health trajectories of individuals. Different types of health attributes can be represented in the model as different classes of network nodes. This allows us to model FI-clinical, a FI using self-reported or clinically diagnosable health attributes, and FI-lab, a FI using biomarkers or laboratory tests. Damage to nodes within these FIs affect mortality and the accumulation of deficits in different ways. Many differences in the behavior of the FI-clinical and FI-lab from the CSHA and NHANES studies can be explained in terms of the structure of the network underlying health attributes. More generally, our computational model allows us to understand how the damage occurring throughout an individual’s life influences their health and lifespan.
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 | 0,001 |
| 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 ».