A prognostic model of excessive lung function decline among Québec apprentices: a cohort exposed to occupational sensitizing agents
Notice bibliographique
Résumé
BACKGROUND Forced expiratory volume in 1 second (FEV1) decline as a predictor of lung-related health problems is widely observed, but not fully investigated. This study aimed to develop models to predict FEV1 decline among apprentices exposed to sensitizing agents. METHODS Of 692 apprentices recruited and followed in 3.6–17.3 years, 292 were exposed to low-molecular weight agents. The analysis was restricted to 357 apprentices with complete lung function assessment at the end of their training with a minimum of 5-year follow-up. According to the American Thoracic Society guideline, a mean FEV₁ decline >60 ml/year was defined as “accelerated.” Descriptive statistics and Cox regression analysis were utilized to determine its predictors. To develop the prognostic models, we used a logistic regression analysis adjusted for the follow-up duration. The accuracy of the models was quantified using calibration and discrimination measures. RESULTS Of 357 subjects, 62 (17.4%) had an excessive FEV1 decline post-apprenticeship. The questionnaire model (model 1), which included male sex, wheezing, and exposure to isocyanate or animal allergens during the apprenticeship, showed a reasonable discriminative ability (area under the receiver operating characteristics curve [AUC] of 0.67, 95% CI = 0.59–0.75). Adding the percent-predicted FEV₁ value at the end of apprenticeship significantly increased the discriminative ability of the model (model 4) (AUC = 0.762, 95% CI = 0.694–0.829) with a good calibration and reasonable internal validity. CONCLUSIONS We developed a model for accelerated lung function decline with a good accuracy and internal validity. However, external validation of the model is necessary.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».