Traditional Cardiovascular Risk Factors and Individual Prediction of Cardiovascular Events in Childhood Cancer Survivors
Notice bibliographique
Résumé
BACKGROUND: Childhood cancer survivors have an increased risk of heart failure, ischemic heart disease, and stroke. They may benefit from prediction models that account for cardiotoxic cancer treatment exposures combined with information on traditional cardiovascular risk factors such as hypertension, dyslipidemia, and diabetes. METHODS: Childhood Cancer Survivor Study participants (n = 22 643) were followed through age 50 years for incident heart failure, ischemic heart disease, and stroke. Siblings (n = 5056) served as a comparator. Participants were assessed longitudinally for hypertension, dyslipidemia, and diabetes based on self-reported prescription medication use. Half the cohort was used for discovery; the remainder for replication. Models for each outcome were created for survivors ages 20, 25, 30, and 35 years at the time of prediction (n = 12 models). RESULTS: For discovery, risk scores based on demographic, cancer treatment, hypertension, dyslipidemia, and diabetes information achieved areas under the receiver operating characteristic curve and concordance statistics 0.70 or greater in 9 and 10 of the 12 models, respectively. For replication, achieved areas under the receiver operating characteristic curve and concordance statistics 0.70 or greater were observed in 7 and 9 of the models, respectively. Across outcomes, the most influential exposures were anthracycline chemotherapy, radiotherapy, diabetes, and hypertension. Survivors were then assigned to statistically distinct risk groups corresponding to cumulative incidences at age 50 years of each target outcome of less than 3% (moderate-risk) or approximately 10% or greater (high-risk). Cumulative incidence of all outcomes was 1% or less among siblings. CONCLUSIONS: Traditional cardiovascular risk factors remain important for predicting risk of cardiovascular disease among adult-age survivors of childhood cancer. These prediction models provide a framework on which to base future surveillance strategies and interventions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».