MétaCan
Menu
Retour à la cohorte
Enregistrement W2971515944 · doi:10.1016/s2214-109x(19)30318-3

World Health Organization cardiovascular disease risk charts: revised models to estimate risk in 21 global regions

2019· article· en· W2971515944 sur OpenAlexfundno aff
Stephen Kaptoge, Lisa Pennells, Dirk De Bacquer, Marie Therese Cooney, Maryam Kavousi, Gretchen A Stevens, Leanne M Riley, Stefan Savin, Taskeen Khan, Servet Altay, Philippe Amouyel, Gerd Assmann, Steven Bell, Yoav Ben‐Shlomo, Lisa Berkman, Joline W. J. Beulens, Cecilia Björkelund, Michael J. Blaha, Dan G. Blazer, Thomas Bolton, R. Beaglehole, Hermann Brenner, Eric J. Brunner, Edoardo Casiglia, Parinya Chamnan, Yeun-Hyang Choi, Rajiv Chowdry, Sean Coady, Carlos J. Crespo, Mary Cushman, Gilles R. Dagenais, Ralph B. D’Agostino, Makoto Daimon, Karina W. Davidson, Gunnar Engström, Ian Ford, John Gallacher, Ron T. Gansevoort, Thomas A. Gaziano, Simona Giampaoli, Greg Grandits, Sameline Grimsgaard, Diederick E. Grobbee, Vilmundur Guðnason, Qi Guo, Hanna Tolonen, Steve E. Humphries, Hiroyasu Iso, J. Wouter Jukema, Jussi Kauhanen, André Pascal Kengne, Davood Khalili, Wolfgang Köenig, Daan Kromhout, Harlan M. Krumholz, TH Lam, Gail A. Laughlin, Alejandro Marín Ibañez, Tom Meade, Karel G.M. Moons, Paul J. Nietert, Toshiharu Ninomiya, Børge G. Nordestgaard, Christopher J. O’Donnell, Luigi Palmieri, Anushka Patel, Pablo Perel, Jackie F. Price, Rui Providência, Paul M. Ridker, Beatriz L. Rodríguez, Annika Rosengren, Ronan Roussel, Masaru Sakurai, Veikko Salomaa, Shinichi Sato, Ben Schöttker, Nawar Shara, Jonathan E Shaw, Hee-Choon Shin, Leon A. Simons, Eleni Sofianopoulou, Johan Sundström, Henry Völzke, Robert B. Wallace, Nicholas J. Wareham, Peter Willeit, David Wood, Angela Wood, Dong Zhao, Mark Woodward, Goodarz Danaei, Gregory A. Roth, Shanthi Mendis, Oyere Onuma, Cherian Varghese, Majid Ezzati, Ian Graham, Rod Jackson, John Danesh, Emanuele Di Angelantonio

Notice bibliographique

RevueThe Lancet Global Health · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiovascular Health and Risk Factors
Établissements canadiensnon disponible
Organismes subventionnairesCilagNIHR Cambridge Biomedical Research CentreHealth and Social Care Research and Development DivisionDaiichi Sankyo CompanyEuropean Research CouncilEconomic and Social Research CouncilIrving Medical Center, Columbia UniversityInstitut universitaire de cardiologie et de pneumologie de Québec, Université LavalJohnson and JohnsonNational Institutes of HealthFONDATION ALZHEIMERHjartaverndMedical Research Council CanadaTechnische Universität MünchenLeids Universitair Medisch CentrumBiotronikUniversità degli Studi di PadovaHealth Research Council of New ZealandCambridge University HospitalsCapital Medical UniversityRijksuniversiteit GroningenUniversität HeidelbergPublic Health AgencyHirosaki UniversitySouth African Medical Research CouncilIstituto Superiore di SanitàDiabetes AustraliaUniversity of OxfordMedical Research CouncilServierKidney Health AustraliaNovo Nordisk UK Research FoundationSingulexUniversity of CambridgeChief Scientist Office, Scottish Government Health and Social Care DirectorateHáskóli ÍslandsBritish Heart FoundationNational Health and Medical Research CouncilShenzhen Center for Health InformationKowa CompanyUCLH Biomedical Research CentreMedicines CompanyRoche ProductsUniversity Hospitals Bristol NHS Foundation TrustLunds UniversitetScottish GovernmentPfizer UKDeutsches KrebsforschungszentrumKowa Pharmaceutical EuropeBoston Scientific CorporationMylanRegeneron PharmaceuticalsResearch Institute for Endocrine Sciences, Shahid Beheshti University of Medical SciencesFood and Drug AdministrationEli Lilly and CompanyNational Heart, Lung, and Blood InstituteItä-Suomen YliopistoUniversity of MinnesotaUniversiteit LeidenUniversity of GlasgowAmgen FoundationBristol-Myers SquibbTeva Pharmaceutical IndustriesUniversité LavalMerck Sharp and DohmeNovartisPortland State UniversityDepartment of Health and Social CareDaiichi Sankyo EuropeYale UniversityNovo NordiskMedtronicUniversity College LondonWellcome TrustWorld Health OrganizationSanofiDeutsches Zentrum für Herz-KreislaufforschungShahid Beheshti University of Medical SciencesGlaxoSmithKlineEngineering and Physical Sciences Research CouncilAstraZenecaNational Institute for Health and Care ResearchNHS Blood and TransplantAbbott LaboratoriesCenters for Medicare and Medicaid ServicesAmerican Heart AssociationPfizerInternational Society of HypertensionAmgenBoehringer IngelheimAetna FoundationCentral Manchester University Hospitals NHS Foundation TrustUniversity of California, San DiegoJohns Hopkins University
Mots-clésDiseaseMedicineEnvironmental healthInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: To help adapt cardiovascular disease risk prediction approaches to low-income and middle-income countries, WHO has convened an effort to develop, evaluate, and illustrate revised risk models. Here, we report the derivation, validation, and illustration of the revised WHO cardiovascular disease risk prediction charts that have been adapted to the circumstances of 21 global regions. METHODS: In this model revision initiative, we derived 10-year risk prediction models for fatal and non-fatal cardiovascular disease (ie, myocardial infarction and stroke) using individual participant data from the Emerging Risk Factors Collaboration. Models included information on age, smoking status, systolic blood pressure, history of diabetes, and total cholesterol. For derivation, we included participants aged 40-80 years without a known baseline history of cardiovascular disease, who were followed up until the first myocardial infarction, fatal coronary heart disease, or stroke event. We recalibrated models using age-specific and sex-specific incidences and risk factor values available from 21 global regions. For external validation, we analysed individual participant data from studies distinct from those used in model derivation. We illustrated models by analysing data on a further 123 743 individuals from surveys in 79 countries collected with the WHO STEPwise Approach to Surveillance. FINDINGS: Our risk model derivation involved 376 177 individuals from 85 cohorts, and 19 333 incident cardiovascular events recorded during 10 years of follow-up. The derived risk prediction models discriminated well in external validation cohorts (19 cohorts, 1 096 061 individuals, 25 950 cardiovascular disease events), with Harrell's C indices ranging from 0·685 (95% CI 0·629-0·741) to 0·833 (0·783-0·882). For a given risk factor profile, we found substantial variation across global regions in the estimated 10-year predicted risk. For example, estimated cardiovascular disease risk for a 60-year-old male smoker without diabetes and with systolic blood pressure of 140 mm Hg and total cholesterol of 5 mmol/L ranged from 11% in Andean Latin America to 30% in central Asia. When applied to data from 79 countries (mostly low-income and middle-income countries), the proportion of individuals aged 40-64 years estimated to be at greater than 20% risk ranged from less than 1% in Uganda to more than 16% in Egypt. INTERPRETATION: We have derived, calibrated, and validated new WHO risk prediction models to estimate cardiovascular disease risk in 21 Global Burden of Disease regions. The widespread use of these models could enhance the accuracy, practicability, and sustainability of efforts to reduce the burden of cardiovascular disease worldwide. FUNDING: World Health Organization, British Heart Foundation (BHF), BHF Cambridge Centre for Research Excellence, UK Medical Research Council, and National Institute for Health Research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,031
score de la tête « metaresearch » (Gemma)0,080
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,163

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0310,080
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0030,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,333
Écart entre enseignants0,306 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1 175
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Lancet Global HealthMême sujetCardiovascular Health and Risk FactorsTravaux en français237 207