An Expert Consensus Statement on Biomarkers of Aging for Use in Intervention Studies
Notice bibliographique
Résumé
Biomarkers of aging serve as important outcome measures in longevity-promoting interventions. However, there is limited consensus on which specific biomarkers are most appropriate for human intervention studies. This work aimed to address this need by establishing an expert consensus on biomarkers of aging for use in intervention studies via the Delphi method. A 3-round Delphi study was conducted using an online platform. In Round 1, expert panel members provided suggestions for candidate biomarkers of aging. In Rounds 2 and 3, they voted on 500 initial statements (yes/no) relating to 20 biomarkers of aging. Panel members could abstain from voting on biomarkers outside their expertise. Consensus was reached when there was ≥70% agreement on a statement/biomarker. Of the 460 international panel members invited to participate, 116 completed Round 1, 87 completed Round 2, and 60 completed Round 3. Across the 3 rounds, 14 biomarkers met consensus that spanned physiological (eg, insulin-like growth factor 1, growth-differentiating factor-15), inflammatory (eg, high sensitivity C-reactive protein, interleukin-6), functional (eg, muscle mass, muscle strength, hand grip strength, Timed-Up-and-Go, gait speed, standing balance test, frailty index, cognitive health, blood pressure), and epigenetic (eg, DNA methylation/epigenetic clocks) domains. Expert consensus identified 14 potential biomarkers of aging which may be used as outcome measures in intervention studies. Future aging research should identify which combination of these biomarkers has the greatest utility.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».