MétaCan
Menu
Retour à la cohorte
Enregistrement W4387029461 · doi:10.31579/2578-8868/232

Medium Term Study of Incidence, Risk Factors and Type of Stroke in Hypertensive Patients

2022· article· en· W4387029461 sur OpenAlexaff
Jiming Zou

Notice bibliographique

RevueNeuroscience and Neurological Surgery · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueTraditional Chinese Medicine Studies
Établissements canadiensHealth Care Foundation
Organismes subventionnairesStrong
Mots-clésMedicineHyperlipidemiaIncidence (geometry)Internal medicineDiabetes mellitusBlood pressureStroke (engine)Cerebral infarctionType 2 diabetesLogistic regressionRisk factorGroup BBlood lipidsGastroenterologyCholesterolIschemiaEndocrinology

Résumé

récupéré en direct d'OpenAlex

Background and Aims: To investigate the incidence and risk factors of stroke in hypertension patients over 60 years of age, and to investigate the correlation. Methods: A retrospective analysis of 454 hypertension patients who were diagnosed through examination were divided into 4 groups, of which included group A (hypertension plus type 2 diabetes) were 4 cases, group B (hypertension plus hyperlipidemia) were 367 cases, group C (hypertension plus type 2 diabetes and hyperlipidemia) were 47 cases, and group D (hypertension) were 36cases. Every patient was given observation after definite diagnosis and treatment of 54 months, and to investigate the incidence of acute cerebral infarction, cerebral hemorrhage. Results: There were 44 patients occurred acute cerebral infarction in all 4 groups. Of these cases, there were 1 case in group A, 31 cases in group B,10 cases in group C and 2 cases in group D. In group B, 3 cases occurred cerebral hemorrhage. Logistic regression analysis showed systolic blood pressure (OR=1.106, P=0.001), fasting glucose (OR=2.059, P=0.000) and low-density lipoprotein cholesterol (LDL-C) (OR=0.104, P=0.025) were risk factors for stroke. Conclusions: Higher levels of blood glucose and/or blood lipid associate with higher risk of stroke in patients with hypertension.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,058
Tête enseignante GPT0,279
Écart entre enseignants0,221 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeuroscience and Neurological SurgeryMême sujetTraditional Chinese Medicine StudiesTravaux en français237 207