Refining PREVENT prediction models for 10-year risk of cardiovascular disease using measures of anxiety and depression
Notice bibliographique
Résumé
BACKGROUND: Anxiety and depression are associated with cardiovascular disease (CVD). We aimed to investigate whether adding measures of anxiety and depression to the American Heart Association Predicting Risk of Cardiovascular Disease Events (PREVENT) predictors improves the prediction of CVD risk. METHODS: We developed and internally validated risk prediction models using 60% and 40% of the cohort data from the UK Biobank, respectively. Mental health predictors included baseline depressive symptom score and self-reported and record-based history of anxiety and depression diagnoses before the baseline. We identified CVD events using hospital admission and death certificate data over a 10-year period from baseline. We determined incremental predictive values by adding the mental health predictors to the PREVENT predictors using Harrell's C-indices, sensitivity, specificity, and net reclassification improvement indices. We used a threshold of 10-year risk of incident CVD of greater than 5%. RESULTS: Of the 502 366 UK Biobank participants, we included 195 489 in the derivation set and 130 326 in the validation set. In the validation set, the inclusion of all mental health measures, except self-reported anxiety, produced a very modest increase in the C-index and specificity while sensitivity remained unchanged. Among these mental health predictors, depressive symptom score produced the greatest improvements in both C-index (difference of 0.005, 95% confidence interval 0.004-0.006) and specificity (difference of 0.89%). Depressive symptom score showed similar small improvements in female and male validation sets. INTERPRETATION: Our findings suggest that the inclusion of measures of depression and anxiety in PREVENT would have little additional effect on the risk classification of CVD at the population level and may not be worthwhile.
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 | 0,016 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 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 | 0,003 |
| 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 ».