Notice bibliographique
Résumé
Cardiovascular disease (CVD) remains the leading cause of death worldwide. To date, decades of research has established LDL-C (low-density lipoprotein cholesterol) as a causal factor in the development of atherosclerotic CVD. Statin therapy, supported by a broad evidence base, has demonstrated its superior efficacy in reducing LDL-C and subsequent cardiovascular risk. It therefore currently forms the mainstay of lipid-lowering therapy as recommended by international guidelines. Statin therapy is indicated in the secondary prevention of atherosclerotic CVD, as well as genetic causes of dyslipidemia (such as familial hypercholesterolemia). Although this strategy targets those most at risk, it merely addresses those most susceptible and does not account for the fact that most cardiovascular events occur in those at moderate to low risk. In addition, there is evidence for use in primary prevention such as in those with diabetes mellitus, chronic kidney disease, and high risk of future atherosclerotic CVD as determined by risk prediction calculators. Risk prediction tools, however, are far from perfect and do not accurately account for those at low short-term but high lifelong risk. Considering the log-linear relationship between LDL-C reductions and reductions in risk of atherosclerotic CVD, even in those at very low risk of future events, a clinical question posed is can we and should we shift the entire risk distribution by treating everyone? The present review discusses these issues in more detail outlining arguments for and against each approach.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».