MACHINE LEARNING CLASSIFICATION ON BLOOD PRESSURE VARIATION FOR THE RISK OF COGNITIVE IMPAIRMENT: A CROSS-SECTIONAL STUDY FROM A BLOOD PRESSURE MANAGEMENT COHORT IN HONG KONG
Notice bibliographique
Résumé
Objective: The evidence for the association between blood pressure variability (BPV) with cognitive impairment is still uncertain in the Asia population. This study explored whether a machine learning classification on BPV is associated with cognitive impairment among the elderly in Hong Kong. Design and method: Random samples of 573 participants were selected from a community-based cohort for blood pressure management in July 2021. Participants regularly measured blood pressure. K-means clustering methods were applied to group the standard deviation of BPV into high, medium, and low variations. This method considered both systolic and diastolic blood pressure variations. For cognitive functions, participants were assessed by the shorted version of the Montreal Cognitive Assessment Version, i.e., 5-min MoCA (Hong Kong validated version). Mild cognitive impairment (MCI) was defined with adjustment of age and education according to the 5-min MoCA. BPV was defined as the standard deviation of systolic and diastolic blood pressure values. Logistic and quantile regression models were conducted to explore the association of MCI with systolic or diastolic BPV and a combined BPV classification. Odds ratios (OR) were adjusted for age, gender, educational background social economic status, and other medical histories, including hypertension, hyperlipidemia, diabetes, and stroke. Results: The 573 participants had a mean age of 72 years with 86% of females. The median follow-up period was eight months with a median number of 19 blood pressure records. Systolic BPV increases the risk of MCI (adjusted OR, 95% CI = 1.18, 1.05 to 1.31), but not diastolic BPV. The quantile regression found that the magnitude of association is more substantial among the population with lower cognitive function (Figure 1). With reference to the machine learning classification, participants with high BPV were shown to have a 5.5 times higher risk of MCI than those with low BPV. Conclusions: Participants with higher systolic BPV are shown to be associated with poorer cognitive function, and therefore, long-term management of blood pressure variability is also important to reduce the risk of cognitive impairment.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».