Do positive psychosocial factors contribute to the prediction of coronary artery disease? A UK Biobank–based machine learning approach
Notice bibliographique
Résumé
AIMS: Most prediction models for coronary artery disease (CAD) compile biomedical and behavioural risk factors using linear multivariate models. This study explores the potential of integrating positive psychosocial factors (PPFs), including happiness, satisfaction with life, and social support, into conventional and machine learning-based CAD-prediction models. METHODS AND RESULTS: We included UK Biobank (UKB) participants without CAD at baseline. First, we estimated associations of individual PPFs with subsequent acute myocardial infarction (AMI) and chronic ischaemic heart disease (CIHD) using logistic regression. Then, we compared the performances of logistic regression and eXtreme Gradient Boosting (XGBoost) prediction models when adding PPFs as predictors to the Framingham Risk Score (FRS). Based on a sample size between 160 226 and 441 419 of UKB participants, happiness, satisfaction with health and life, and participation in social activities were linked to lower AMI and CIHD risk (all P-for-trend ≤ 0.04), while social support was not. In a validation sample, adding PPFs to the FRS using logistic regression and XGBoost prediction models improved neither AMI [area under the receiver operating characteristic curve (AUC) change: 0.02 and 0.90%, respectively] nor CIHD (AUC change: -1.10 and -0.88%, respectively) prediction. CONCLUSION: Positive psychosocial factors were individually linked to CAD risk, in line with previous studies, and as reflected by the new European Society of Cardiology guidelines on cardiovascular disease prevention. However, including available PPFs in CAD-prediction models did not improve prediction compared with the FRS alone. Future studies should explore whether PPFs may act as CAD-risk modifiers, especially if the individual's risk is close to a decision threshold.
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| 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 ».