Sex‐Specific Impact of Body Weight on Atherosclerotic Cardiovascular Disease Incidence in Individuals With and Without Ideal Cardiovascular Health
Notice bibliographique
Résumé
Background The impact of an elevated body mass index (BMI) on atherosclerotic cardiovascular disease (ASCVD) risk in individuals who are metabolically healthy is debated. We investigated the respective contributions of BMI as well as lifestyle and cardiometabolic risk factors combined to ASCVD incidence in 319 866 UK Biobank participants. Methods and Results We developed a cardiovascular health score (CVHS) based on 4 lifestyle and 6 cardiometabolic parameters. The impact of the CVHS on incident ASCVD (15 699 events) alone and in BMI and waist‐to‐hip ratio categories was assessed using Cox proportional hazards in women and men separately. In participants with a high CVHS (8–10), those with a BMI ≥35.0 kg/m 2 had a nonsignificantly higher ASCVD risk (hazard ratio [HR], 1.20 [95% CI, 0.84–1.70]; P =0.32) compared with those with a BMI of 18.5 to 24.9 kg/m 2 . In participants with a BMI of 18.5 to 24.9 kg/m 2 , those with a lower CVHS (0–2) had a higher ASCVD risk (HR, 4.06 [95% CI, 3.23–5.10]; P <0.001) compared with those with a higher CVHS (8–10). When we used the waist‐to‐hip ratio instead of the BMI, a dose–response relationship between the waist‐to‐hip ratio and ASCVD risk was obtained in healthier participants. Results were similar in women compared with men. Conclusions In women and men in the UK Biobank, the relationship between the BMI and ASCVD incidence in healthy individuals was inconsistent, whereas cardiovascular risk factors strongly predicted ASCVD incidence in all BMI categories. Assessing lifestyle and cardiometabolic risk factors as well as body fat distribution indices may help identify individuals at high ASCVD risk, regardless of body weight.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».