Factors influencing olfactory function in an adult general population sample: the CHRIS study
Notice bibliographique
Résumé
The sense of smell allows for the assessment of the chemical composition of volatiles in our environment. Different factors are associated with reduced olfactory function, including age, sex, as well as health and lifestyle conditions. However, most studies that aimed at identifying the variables that drive olfactory function in the population suffered from methodological weaknesses in study designs and participant selection, such as the inclusion of convenience sample or only of certain age groups, or recruitment biases. We aimed to overcome these issues by investigating the Cooperative Health Research in South Tyrol (CHRIS) cohort, a population-based cohort, by using a validated odor identification test. Specifically, we hypothesized that a series of medical, demographic and lifestyle variables is associated with odor identification abilities. In addition, our goal was to provide clinicians and researchers with normative values for the Sniffin' Sticks identification set, after exclusion of individuals with impaired nasal patency. We included 6,944 participants without acute nasal obstruction and assessed several biological, social, and medical parameters. A basic model determined that age, sex, years of education, and smoking status together explained roughly 13% of the total variance in the data. We further observed that variables related to medical (positive screening for cognitive impairment and for Parkinson's disease, history of skull fracture, stage 2 hypertension) and lifestyle (alcohol abstinence) conditions had a negative effect on odor identification scores. Finally, we provide clinicians with normative values for both versions of the Sniffin' Sticks odor identification test, i.e. with 16 items and with 12 items.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».