Risk Factors for Premature Myocardial Infarction: A Systematic Review and Meta-analysis of 77 Studies
Notice bibliographique
Résumé
Objective To evaluate the magnitude of the association between risk factors and premature myocardial infarction (MI) (men aged 18-55 years; women aged 18-65 years). Patients and Methods We searched MEDLINE and other databases from inception through April 30, 2020, as well as bibliography of articles selected for data extraction. We selected observational studies reporting the magnitude of the association of at least 1 risk factor (demographic characteristics, lifestyle factors, clinical risk factors, or biomarkers) with premature MI and a control group. Pooled risk estimates (random effects) from all studies unadjusted and adjusted for risk factors were reported as summary odds ratios (ORs) with 95% CIs. Results From 35,320 articles, we extracted data on 19 risk factors in 12.7 million participants from 77 studies across 58 countries. Men had a higher risk of premature MI (OR, 2.39; 95% CI, 1.71 to 3.35) than did women. Family history of cardiac disease was associated with a higher risk of premature MI (OR, 2.67; 95% CI, 2.29 to 3.27). Major modifiable risk factors associated with higher risk were current smoking (OR, 4.34; 95% CI, 3.68 to 5.12 vs no/former), diabetes mellitus (OR, 3.54; 95% CI, 2.69 to 4.65), dyslipidemia (OR, 2.94; 95% CI, 1.76 to 4.91), and hypertension (OR, 2.85; 95% CI, 2.48 to 3.27). Higher body mass index carried higher risk (OR, 1.46; 95% CI, 1.24 to 1.71 for ≥25 kg/m 2 vs <25 kg/m 2 ). Biomarkers associated with 2- to 3-fold higher risk were total cholesterol levels greater than 200 mg/dL, triglyceride levels higher than 150 mg/dL, and high-density lipoprotein cholesterol levels less than 60 mg/dL (to convert to mmol/L, multiply by 0.0259). Conclusion Major risk factors for premature MI are mostly amenable to patient, population, and policy level interventions. Mild elevations in body mass index and triglyceride levels were associated with higher risk, which has implications for the growing worldwide epidemic of cardiometabolic diseases.
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 | 0,014 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,019 | 0,030 |
| Bibliométrie | 0,010 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».