Evaluating the use of novel atherogenicity indices and insulin resistance surrogate markers in predicting the risk of coronary artery disease: a case‒control investigation with comparison to traditional biomarkers
Notice bibliographique
Résumé
BACKGROUND: Due to the contribution of coronary artery disease (CAD) to serious cardiovascular events, determining biomarkers that could robustly predict its risk would be of utmost importance. Thus, this research was designed to assess the value of traditional cardio-metabolic indices, and more novel atherogenicity indices and insulin resistance surrogate markers in the identification of individuals at risk of CAD. METHODS: A case‒control survey was conducted, in which 3085 individuals were enrolled. Their clinical and biochemical data were gathered at baseline. The investigated indices included the atherogenic index of plasma (AIP), triglyceride-glucose (TyG) index, TyG-body mass index (TyG-BMI), lipoprotein combine index (LCI), cholesterol index (CHOLINDEX), Castelli's risk indices-I, II (CRI-I, CRI-II), and metabolic score for insulin resistance (METS - IR). To examine the relationship between these variables and CAD risk, multiple regression analyses adjusted for potential confounders were conducted. RESULTS: Overall, 774 angiographically confirmed CAD patients (mean age = 54 years) were compared with 3085 controls (mean age = 51 years). Higher triglyceride, total cholesterol and fasting blood sugar levels and lower HDL-C levels were related to an elevated risk of CAD (P-for-trend < 0.001), while the direct association between increased serum LDL-C concentrations and a greater risk of CAD only became apparent when excluding those with diabetes, and statin users. Among novel indices, greater values of the majority of these markers, including AIP, CRI-I, and -II, CHOLINDEX, LCI, and TyG-index, in comparison to the lower values, significantly elevated CAD risk (P-for-trend < 0.001). CONCLUSION: According to the current findings, novel atherogenicity indices and insulin resistance surrogate markers, in particular, AIP, CRI-I and II, CHOLINDEX, LCI, and TyG-index, may be useful in predicting CAD risk.
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».