Development and validation of a cardiovascular disease risk-prediction model using population health surveys and dietary indices: the Cardiovascular Disease Population Risk Tool – Nutrition (CVDPoRT-Nutrition).
Notice bibliographique
Résumé
ObjectivesOnly a few cardiovascular risk prediction models have been developed based on modifiable exposures and even fewer utilize complex dietary factors. Our objective was to develop and validate the Cardiovascular Disease Population Risk Tool (CVDPoRT)-Nutrition as a tool for estimating 5-year risk of incident cardiovascular disease (CVD) using lifestyle factors and dietary pattern scores. ApproachThe CVDPoRT developed and validated using the Canadian Community Health Survey (CCHS) linked with health administrative databases was modified to remove limited measures of dietary intakes (i.e., fruit and vegetable, potato, and juice intake frequency) and instead incorporate 5 different dietary pattern scores (i.e., Dietary Guidelines for Americans Adherence Index, Dietary Approaches to Stop Hypertension, Healthy Eating Index, Alternative HEI, and Mediterranean Style Dietary Pattern Score). Outcome data (i.e., CVD events and CVD-related mortality) came from linkage with the Canadian Vital Statistics – Death Database and Discharge Abstract Database. CVDPoRT-Nutrition was tested in 61 policy-relevant subgroups. ResultsPerformance after adding in each dietary pattern score was similar to the original CVDPoRT (Brier score=2.6%, Harrell’s c-stat=0.87(0.85-0.88) for female models; Brier score=1.6%, Harrell’s c-stat=0.82(0.81-0.84) for male models). The algorithm was calibrated in 53 (female models) and 57 (male models) of 61 policy relevant subgroups. The most important predictors of CVD and CVD-related mortality were age, sex, and smoking. ConclusionAltering the dietary measures included in the CVDPoRT algorithm did not greatly improve the predictive capacity. The original CVDPoRT can continue to be used for predicting CVD and CVD-related mortality, while CVDPoRT-Nutrition may be used for predicting CVD incidence associated with poor dietary patterns.
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 | 0,028 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».