Estimation of lung age via a spline method and its application in chronic respiratory diseases
Notice bibliographique
Résumé
Abstract Lung age is a simplified concept that makes spirometry data easier to understand, but it is not widely used due to limitations in estimation methods. The aim of this study was to develop new equations to estimate lung age and to explore the application value of lung age in chronic respiratory diseases. Retrospective spirometric data of 18- to 80-year-old healthy subjects were used to develop the lung age estimation equations. Models were respectively built by multiple linear regression, piecewise linear regression, and the natural cubic spline method. Patients with chronic obstructive pulmonary disease (COPD) and asthma were subdivided into stages I–IV according to the severity of airflow limitation under the recommendation of the Global Initiative for Chronic Obstructive Lung Disease. Propensity score matching was performed to balance age, height and sex between healthy subjects and patients. The difference between lung age and chronological age (∆ lung age) of patients with COPD and asthma was analyzed. A total of 3409 healthy subjects, 280 patients with COPD and 285 patients with asthma data were included in the analysis. The lung age estimation equation with the best goodness of fit was built by the spline method and composed of FEV 1 , FEF 50% , FEF 75% and height as explanatory variables. ∆ lung age progressively increased with the degree of airflow limitation in patients with COPD or asthma. Lung age estimation equations were developed by a spline modeling method. Lung age may be used in the assessment of chronic respiratory patients.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».