Physiological phenotypes have optimal values relevant to healthy aging: sweet spots deduced from the Canadian Longitudinal Study on Aging
Notice bibliographique
Résumé
Previous observations on a group of exceptionally healthy "Super-Seniors" showed a lower variance of multiple physiological measures relevant for health than did a less healthy group of the same age. The finding was interpreted as the healthier individuals having physiological measurement values closer to an optimal level, or "sweet spot." Here, we tested the generalizability of the sweet-spot hypothesis in a larger community sample, comparing differences in the variance between healthier and less healthy groups. We apply this method to the Canadian Longitudinal Study on Aging (CLSA) comprehensive cohort of 30,097 participants aged 45 to 85 years with deep phenotype data. Data from both sexes and four age ranges were analyzed. Five instruments were used to represent different aspects of health, physical, and cognitive functioning. We tested 231 phenotypic measures for lower variance in the most healthy vs. least healthy quartile of each sex and age group, as classified by the five instruments. Segmented regression was used to determine sex-specific optimal values. One hundred forty-two physiological measures (61%) showed lower variance in the healthiest than in the least healthy group, in at least one sex and age group. The difference in variance was most significant for hemoglobin A1c and was also significant for many body composition measurements, but not for bone mineral density. Ninety-four phenotypes showed a nonmonotonic relationship with health, consistent with the idea of a sweet spot; for these, we determined optimal values and 95% confidence intervals that were generally narrower than the ranges of current clinical reference intervals. These findings for sweet spot discovery validate the proposed approach for identifying traits important for healthy aging.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».