Implications of five different risk models in primary prevention guidelines
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
BACKGROUND: A lack of consensus exists across guidelines as to which risk model should be used for the primary prevention of cardiovascular disease (CVD). Our objective was to determine potential improvements in the number needed to treat (NNT) and number of events prevented (NEP) using different risk models in patients eligible for risk stratification. METHODS AND RESULTS: A retrospective observational cohort was assembled from primary care patients in Ontario, Canada, between 1 January 2010 and 31 December 2014 and followed for up to 5 years. Risk estimation was undertaken in patients 40-75 years of age, without CVD, diabetes, or chronic kidney disease using the Framingham Risk Score (FRS), the Pooled Cohort Equations (PCEs), a recalibrated FRS (R-FRS), the Systematic Coronary Risk Evaluation 2 (SCORE2), and the low-risk region recalibrated SCORE2 (LR-SCORE2). The cohort consisted of 47 399 patients (59% women, mean age 54 years). The NNT with statins was lowest for the SCORE2 at 40, followed by the LR-SCORE2 at 41, the R-FRS at 43, the PCEs at 55, and the FRS at 65. Models that selected for individuals with a lower NNT recommended statins to fewer, but higher-risk patients. For instance, the SCORE2 recommended statins to 7.9% of patients (5-year CVD incidence 5.92%). The FRS, however, recommended statins to 34.6% of patients (5-year CVD incidence 4.01%). Accordingly, the NEP was highest for the FRS at 406 and lowest for the SCORE2 at 156. CONCLUSIONS: Newer models such as the SCORE2 may improve statin allocation to higher-risk groups with a lower NNT but prevent fewer events at the population level.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 découle