Cardiovascular Health and Atrial Fibrillation or Flutter: A Cross-Sectional Study from ELSA-Brasil
Notice bibliographique
Résumé
Abstract Background The association between ideal cardiovascular health (ICVH) status and atrial fibrillation or flutter (AFF) diagnosis has been less studied compared to other cardiovascular diseases. Objective To analyze the association between AFF diagnosis and ICVH metrics and scores in the Brazilian Longitudinal Study of Adult Health (ELSA-Brasil). Methods This study analyzed data from 13,141 participants with complete data. Electrocardiographic tracings were coded according to the Minnesota Coding System, in a centralized reading center. ICVH metrics (diet, physical activity, body mass index, smoking, blood pressure, fasting plasma glucose, and total cholesterol) and scores were calculated as proposed by the American Heart Association. Crude and adjusted binary logistic regression models were built to analyze the association of ICVH metrics and scores with AFF diagnosis. Significance level was set at 0.05. Results The sample had a median age of 55 years and 54.4% were women. In adjusted models, ICVH scores were not significantly associated with prevalent AFF diagnosis (odds ratio [OR]:0.96; 95% confidence interval [95% CI]:0.80-1.16; p=0.70). Ideal blood pressure (OR:0.33; 95% CI:0.15–0.74; p=0.007) and total cholesterol (OR:1.88; 95% CI:1.19–2.98; p=0.007) profiles were significantly associated with AFF diagnosis. Conclusions No significant associations were identified between global ICVH scores and AFF diagnosis after multivariable adjustment in our analyses, at least partially due to the antagonistic associations of AFF with blood pressure and total cholesterol ICVH metrics. Our results suggest that estimating the prevention of AFF burden using global ICVH scores may not be adequate, and ICVH metrics should be considered in separate.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,576 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».