Predicting Cardiovascular Disease Mortality in Men using Cardiorespiratory Fitness and other Risk Factor Categories
Notice bibliographique
Résumé
0927 Although cardiorespiratory fitness (CRF) is an independent predictor of cardiovascular disease (CVD), the current algorithms and score sheets that are used to predict CVD in the clinical setting do not include CRF. PURPOSE: To develop a CVD mortality prediction model in men using age, blood pressure, cholesterol, diabetes, obesity, smoking status, parental CVD history, and CRF categories. METHODS: The sample included 19,221 male participants (20–83 year olds) from the Aerobics Center Longitudinal Study in Dallas, TX. All participants underwent a clinical examination including a maximal treadmill test from which CRF level (low, moderate, high) was calculated. Blood pressure, LDL- and HDL-cholesterol, diabetes, and overweight/obesity were categorized according to current clinical guidelines. A point scoring system was developed to predict CVD mortality from the beta-coefficients of Cox proportional hazards models. A total of 477 deaths occurred over an average of 10.2 years of follow-up, of which 160 were from CVD. RESULTS: After simultaneously adjusting for year of examination and each of the other variables in the model, older age, stage I and II hypertension, very high LDL-cholesterol, diabetes, current smoking, parental CVD history, severe obesity (BMI ≥35 kg/m2), and low CRF were significant predictors of CVD mortality. For the scoring system, the most points were assigned for higher age (e.g., 15 points for 60–69 year olds), followed by diabetes (5 points), low CRF (4 points), severe obesity (3 points), very high LDL-cholesterol (3 points), current smoking (3 points), parental CVD history (2 points), and stage I or II hypertension (2 points). CONCLUSION: CRF level was an independent predictor of CVD mortality, and contributed as much or more to the clinical CVD scoring system as traditional risk factors. Supported by grants AG06945 from the National Institute on Aging and T4945 from the Heart and Stroke Foundation of Ontario.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».