Adoption of the PREVENT (Predicting Risk of Cardiovascular Disease EVENTs) Risk Algorithm
Notice bibliographique
Résumé
Background: The PREVENT (Predicting Risk of cardiovascular disease EVENTs risk algorithm was developed to better reflect the impact of metabolic factors on cardiovascular risk. Objectives: The purpose of this study was to compare the relative performance of PREVENT with standard comparator algorithms (Framingham risk score, pooled cohort equation, SCORE2 [Systematic COronary Risk Evaluation2]) for risk stratification emphasizing the implications of weighing chronic kidney disease. Methods: ). The concordance and reclassification rates were calculated for each category of risk with emphasis on subjects characterized as moderate risk by the standard comparator algorithms. Results: PREVENT demonstrated increased risk with progressive decreases in eGFR. When the standard comparator algorithms identified moderate risk, PREVENT was concordant in 6% to 88% of simulations. In simulations with normal eGFR, PREVENT identified a lower risk in 18% to 88% and a higher risk in 0% to 12% of simulations. Conversely, with abnormal eGFR, PREVENT identified lower risk in 0% to 26% and higher risk in 4% to 94% of simulations. Conclusions: PREVENT substantially reclassifies risk and has the potential to alter prevention practice patterns. The tendency to assign a lower risk compared to standard algorithms when eGFR is normal may diminish implementation of preventive therapy. National health care systems need to monitor whether such changes improve overall public health.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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 ».