Abstract MP17: Galectin-3 and Subsequent Risk of Lower-extremity Peripheral Artery Disease: The Atherosclerosis Risk in Communities (ARIC) Study
Notice bibliographique
Résumé
Background: Galectin-3 is involved in the regulation of inflammation and the formation of fibrosis and has been liked to atherosclerosis. However, there are no studies investigating prospective associations of galectin-3 with incidence of lower-extremity peripheral artery disease (PAD). Methods: Among 9,827 ARIC participants without a history of PAD, we investigated whether galectin-3 (measured at visit 4 [1996-98]) was associated with incident clinical PAD through 2013, defined as hospitalizations with PAD diagnosis or leg revascularization. We defined PAD cases with rest pain or tissue loss as critical limb ischemia (CLI). We constructed Cox models with galectin-3 modeled categorically (quartiles) and continuously (log transformed). Results: During a median follow-up of 15.8 years, 287 participants developed PAD (105 incident CLI cases). In demographically adjusted models, galectin-3 demonstrated a dose-response association with incident PAD: hazard ratios (HRs) 2.55 (95% CI 1.80-3.61) and 1.69 (1.18-2.41) for the highest and second highest quartiles, as compared to the lowest quartile (Table; Model 1). Additional adjustment for traditional cardiovascular risk factors attenuated the associations, although the highest quartile remained borderline significant (HR 1.44 [0.99-2.07], p=0.051, Table: Model 2) and galectin-3 as a continuous variable remained significant (1.15 [1.02-1.29]). Similar results were observed for the association of galectin-3 with CLI. Conclusions: Galectin-3 was modestly associated with future risk of clinical PAD events in a community-based cohort, supporting the involvement of inflammation and fibrosis in the development of clinical PAD.
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 ».