Assessment of Maximum Heart Rate Prediction Equations in Adults at Low and High Risk of Cardiovascular Disease
Notice bibliographique
Résumé
PURPOSE: Maximum heart rate (HRmax) is commonly used to estimate exercise intensity. Since direct measurement of HRmax is not always practical, prediction equations were developed. However, most equations have not been properly validated in adults at low and high risk of cardiovascular disease (CVD). We sought to: 1) assess the accuracy of commonly used equations to predict HRmax among adults at low and high CVD risk and, 2) determine if SuperLearner (SL) modeling combining base machine algorithms could improve HRmax prediction. METHODS: A total of 1208 participants (61.6 ± 7.3 yr; 62.7% male) were included. HRmax was measured during a maximal cardiorespiratory exercise test. Predicted HRmax was estimated using the following published equations: Fox, Åstrand, Tanaka, Gelish and Gulati, and a SL model. Bland-Altman analyses as well as performance indicators such as root mean squared error (RMSE) and Lin's Concordance Correlation Coefficient were performed. RESULTS: All predicted HRmax-derived equations were positively associated with measured HRmax (women: r = 0.31; men: r = 0.46, P ≤ 0.001) but to a greater extent using a SL model (women: r = 0.47; men: r = 0.59, P ≤ 0.001). Overall, all equations tended to overestimate measured HRmax, with a RMSE which varied between 10.4 and 12.3 bpm. Although the SL model outperformed other equations, with no significant difference between measured and predicted HRmax, RMSE remained high (11.3 bpm). Lack of accuracy was mainly observed among adults with low aerobic fitness and with CVD risk factors, such as obesity, diabetes, and hypertension. CONCLUSIONS: We showed that commonly used equations and the SL model have insufficient accuracy to predict HRmax among adults. The performance of the prediction equations varied considerably according to the population clinical characteristics such as the presence of CVD risk factors or a low aerobic fitness.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».