Describing the Profile of Individuals at Heightened Risk for Cardiometabolic Multimorbidity: A Secondary Analysis of the Canadian Longitudinal Study on Aging Data
Notice bibliographique
Résumé
Purpose Develop a parsimonious model of individuals at heightened-risk for 3-year cardiometabolic multimorbidity (CM) onset. Design An observational, secondary analysis of Canadian Longitudinal Study on Aging (CLSA) data. Setting CLSA is a national cohort study in Canada. Baseline data were collected between 2010-2015, and follow-up data were collected between 2015-2018. Subjects CLSA included community-dwelling adults aged 45-85 at recruitment from across Canada. Measures Health conditions: stroke, heart disease or heart attack and diabetes. Personal factors: age, sex, marital status, household income, education, and ethnicity. Environmental factors: social support, personal assistance, and location of residence. CM cases: at least two of stroke, heart disease and diabetes at follow-up assessment. Analysis Hierarchical logistic regression analyses with backwards elimination procedures were used to develop a parsimonious prediction model. Results The sample consisted of 41 841 individuals, representing a weighted population of 13 741 119. The population had a mean age of 62.3 years (SD = 10.1), was 53% female, predominantly married or in common-law relationships (77%), post-secondary graduates (61%), white (95%), and lived in an urban area (81%). Males (OR:1.93, 95%CI:1.65-2.25, P < 0.001), ≥65 years (OR:1.51, 95%CI:1.29-1.76), P < 0.001), who had stroke (OR:20.09, 95%CI:12.88-30.35, P < 0.001), heart disease (OR:15.55, 95%CI:12.60-19.26, P < 0.001), or diabetes (OR:12.57, 95%CI:10.37-15.31, P < 0.001), not completed post-secondary (OR:1.30, 95%CI:1.04-1.61, P = 0.017), income of <50k (OR:1.29, 95%CI:1.10-1.52, P = 0.002), and received home care (OR:1.56, 95%CI:1.17-2.04, P = 0.002) were at heightened risk of CM. Conclusions Developing a profile of high-risk individuals may enhance the efficiency of CM prevention and reduce disease onset. Critical limitations include the CLSA exclusion criteria, and the small proportion of minoritized individuals that restrict generalizability in these populations.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».