Developing Non-Laboratory Cardiovascular Risk Assessment Charts and Validating Laboratory and Non-Laboratory-Based Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Developing simplified risk assessment model based on non-laboratory risk factors that could determine cardiovascular risk as accurately as laboratory-based one can be valuable, particularly in developing countries where there are limited resources. Objective: To develop a simplified non-laboratory cardiovascular disease risk assessment chart based on previously reported laboratory-based chart and evaluate internal and external validation, and recalibration of both risk models to assess the performance of risk scoring tools in other population. Methods: A 10-year non-laboratory-based risk prediction chart was developed for fatal and non-fatal CVD using Cox Proportional Hazard regression. Data from the Isfahan Cohort Study (ICS), a population-based study among 6504 adults aged ≥ 35 years, followed-up for at least ten years was used for the non-laboratory-based model derivation. Participants were followed up until the occurrence of CVD events. Tehran Lipid and Glucose Study (TLGS) data was used to evaluate the external validity of both non-laboratory and laboratory risk assessment models in other populations rather than one used in the model derivation. Results: :11.01 (p = 0.27), respectively. The non-laboratory model was in agreement and classified high risk and low risk patients as accurately as the laboratory one. Both non-laboratory and laboratory risk prediction models showed good discrimination in the external validation, with Harrell's C of 0.77 (95% CI 0.75-0.78) and 0.78 (95% CI 0.76-0.79), respectively. Conclusions: Our simplified risk assessment model based on non-laboratory risk factors could determine cardiovascular risk as accurately as laboratory-based one. This approach can provide simple risk assessment tool where laboratory testing is unavailable, inconvenient, and costly.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle