Lifestyle Influences Changes in Fibrin Clot Properties Over a 10-Year Period on a Population Level
Notice bibliographique
Résumé
Case-control and observational studies have provided a plausible mechanistic link between clot structure and thrombosis. We aimed to identify lifestyle, demographic, biochemical, and genetic factors that influence changes in total fibrinogen concentration and clot properties over a 10-year period in 2,010 black South Africans. Clot properties were assessed with turbidimetry and included lag time, slope, maximum absorbance, and clot lysis time. Linear mixed models with restricted maximum likelihood were used to determine whether (1) outcome variables changed over the 10-year period; (2) demographic and lifestyle variables, biochemical variables, and fibrinogen single-nucleotide polymorphisms influenced the change in outcome variables over the 10-year period; and (3) there was an interaction between the exposures and time in predicting the outcomes. A procoagulant risk score was furthermore created, and multinomial logistic regression was used to determine the exposures that were associated with the different risk score categories. In this population setting, female gender, obesity, poor glycemic control, increased low-density lipoprotein cholesterol, and decreased high-density lipoprotein cholesterol contributed to the enhanced progression to prothrombotic clot properties with increasing age. Alcohol consumption on the other hand, offered a protective effect. The above evidence suggest that the appropriate lifestyle changes can improve fibrin clot properties on a population level, decreasing cardiovascular disease risk and thus alleviate the strain on the medical health care system.
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) | 0,001 | 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 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 ».