Nutrition, atherosclerosis, arterial imaging, cardiovascular risk stratification, and manifestations in COVID-19 framework: a narrative review
Notice bibliographique
Résumé
Background: Atherosclerosis is the primary cause of the cardiovascular disease (CVD). Several risk factors lead to atherosclerosis, and altered nutrition is one among those. Nutrition has been ignored quite often in the process of CVD risk assessment. Altered nutrition along with carotid ultrasound imaging-driven atherosclerotic plaque features can help in understanding and banishing the problems associated with the late diagnosis of CVD. Artificial intelligence (AI) is another promisingly adopted technology for CVD risk assessment and management. Therefore, we hypothesize that the risk of atherosclerotic CVD can be accurately monitored using carotid ultrasound imaging, predicted using AI-based algorithms, and reduced with the help of proper nutrition. Layout: The review presents a pathophysiological link between nutrition and atherosclerosis by gaining a deep insight into the processes involved at each stage of plaque development. After targeting the causes and finding out results by low-cost, user-friendly, ultrasound-based arterial imaging, it is important to (i) stratify the risks and (ii) monitor them by measuring plaque burden and computing risk score as part of the preventive framework. Artificial intelligence (AI)-based strategies are used to provide efficient CVD risk assessments. Finally, the review presents the role of AI for CVD risk assessment during COVID-19. Conclusions: By studying the mechanism of low-density lipoprotein formation, saturated and trans fat, and other dietary components that lead to plaque formation, we demonstrate the use of CVD risk assessment due to nutrition and atherosclerosis disease formation during normal and COVID times. Further, nutrition if included, as a part of the associated risk factors can benefit from atherosclerotic disease progression and its management using AI-based CVD risk assessment.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».