Pathways leading to prevention of fatal and non-fatal cardiovascular disease: An interaction model on 15 years population-based cohort study
Notice bibliographique
Résumé
BACKGROUND: A comprehensive study on the interaction of cardiovascular disease (CVD) risk factors is critical to prevent cardiovascular events. The main focus of this study is thus to understand direct and indirect relationships between different CVD risk factors. METHODS: A longitudinal data on adults aged ≥35 years, who were free of CVD at baseline, were used in this study. The endpoints were CVD events, whereas their measurements were demographic, lifestyle components, socio-economics, anthropometric measures, laboratory findings, quality of life status, and psychological factors. A Bayesian structural equation modelling was used to determine the relationships among 21 relevant factors associated with total CVD, stroke, acute coronary syndrome (ACS), and fatal CVDs. RESULTS: In this study, a total of 3161 individuals with complete information were involved in the study. A total of 407 CVD events, with an average age of 54.77(10.66) years, occurred during follow-up. The causal associations between six latent variables were identified in the causal network for fatal and non-fatal CVDs. Lipid profile, with the coefficient of 0.26 (0.01), influenced the occurrence of CVD events as the most critical factor, while it was indirectly mediated through risky behaviours and comorbidities. Lipid profile at baseline was influenced by a wide range of other protective factors, such as quality of life and healthy lifestyle components. CONCLUSIONS: Analysing a causal network of risk factors revealed the flow of information in direct and indirect paths. It also determined predictors and demonstrated the utility of integrating multi-factor data in a complex framework to identify novel preventable pathways to reduce the risk of CVDs.
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 ».