Using correspondence analysis and log-linear models to investigate the factors affecting cardiovascular disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cardiovascular disease is the main cause of mortality in the World. This issue has seriously alarmed governments of developed and developing countries both. Diseases related to the heart play a role as the highest risk for human health. There are many factors contributing to the development of these diseases including poor diet, sedentary lifestyle, high blood pressure and hypertension. In this paper, we present a study of the influence of different factors by the correspondence analysis and log-linear models to deal with prediction of cardiovascular disease development. A survey has been conducted amongst affected people of different age groups, gen-der, and various education levels. Based on this data, we could determine which group would beat the higher risk leading to the cardiovascular disease. It should be noted that all participants were suffering from cardiovascular disease either slightly or seriously. Our findings show that women are at higher risk than men being affected by cardiovascular disease. Moreover, different factors such as smoking, high cholesterol level, physical inactivity and poor diet contribute significantly to the possibility for this disease. Via our analyses, we also can obtain a better comprehension of the data structure and better interpretation of the results by combining two approach-es (correspondence analysis and log-linear models). Also, it is concluded that correspondence analysis allows us to find the strong correlations between involving variables. That could lead to the conception of prognostic and biomechanical models using the inter-correlations between variables and building a good structure of big data in the future.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle