MétaCan
Menu
Retour à la cohorte
Enregistrement W4386878554 · doi:10.1159/000534015

Associations between Differential Aging and Lifestyle, Environment, Current, and Future Health Conditions: Findings from Canadian Longitudinal Study on Aging

2023· article· en· W4386878554 sur OpenAlexafffundabout
Yipeng Song, Yang S. Liu, Fernanda Talarico, Yanbo Zhang, Jake Hayward, Mengzhe Wang, Eleni Stroulia, Roger A. Dixon, Russell Greiner, Xin‐Min Li, Andrew J. Greenshaw, Bo Cao

Notice bibliographique

RevueGerontology · 2023
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetics, Aging, and Longevity in Model Organisms
Établissements canadiensMinistry of HealthUniversity of Alberta
Organismes subventionnairesAlberta InnovatesMitacsCanada Research ChairsUniversity of Alberta
Mots-clésGerontologySuccessful agingLongitudinal studyAgeingHealthy agingPsychologyMedicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: An aging population will bring a pressing challenge for the healthcare system. Insights into promoting healthy longevity can be gained by quantifying the biological aging process and understanding the roles of modifiable lifestyle and environmental factors, and chronic disease conditions. METHODS: We developed a biological age (BioAge) index by applying multiple state-of-art machine learning models based on easily accessible blood test data from the Canadian Longitudinal Study of Aging (CLSA). The BioAge gap, which is the difference between BioAge index and chronological age, was used to quantify the differential aging, i.e., the difference between biological and chronological age, of the CLSA participants. We further investigated the associations between the BioAge gap and lifestyle, environmental factors, and current and future health conditions. RESULTS: BioAge gap had strong associations with existing adverse health conditions (e.g., cancers, cardiovascular diseases, diabetes, and kidney diseases) and future disease onset (e.g., Parkinson's disease, diabetes, and kidney diseases). We identified that frequent consumption of processed meat, pork, beef, and chicken, poor outcomes in nutritional risk screening, cigarette smoking, exposure to passive smoking are associated with positive BioAge gap ("older" BioAge than expected). We also identified several modifiable factors, including eating fruits, legumes, vegetables, related to negative BioAge gap ("younger" BioAge than expected). CONCLUSIONS: Our study shows that a BioAge index based on easily accessible blood tests has the potential to quantify the differential biological aging process that can be associated with current and future adverse health events. The identified risk and protective factors for differential aging indicated by BioAge gap are informative for future research and guidelines to promote healthy longevity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,039
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,314
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueGerontologyMême sujetGenetics, Aging, and Longevity in Model OrganismsTravaux en français237 207