Framingham risk score associates with incident cancer and heart failure
Notice bibliographique
Résumé
AIMS: The Framingham risk score (FRS), a tool primarily used for atherosclerotic cardiovascular disease (ASCVD) risk stratification, incorporates factors like age, obesity, and smoking. However, its role in predicting cancer and heart failure (HF) risk remains unclear, while emerging data suggest these two conditions coincide frequently. METHODS AND RESULTS: We conducted a post hoc analysis using data from the PREVEND study and validated our findings in the UK Biobank. We examined the association between FRS tertiles at baseline and incident cancer or HF. Fine-Gray regression models were used to calculate subdistribution hazard ratios (sHRs), adjusting for estimated glomerular filtration rate and urinary albumin excretion with all-cause mortality as a competing risk. In PREVEND, we included 8123 participants (mean age 49 ± 13 years, 50% female). Over follow-up periods of 17.46 years [interquartile range (IQR) 17.15-17.80] (cancer) and 23.39 years (IQR 13.78-23.81) (HF), 1176 participants developed new-onset cancer and 758 developed new-onset HF. In a multivariable analysis, participants in the highest FRS tertile compared with the lowest had a higher hazard for both cancer (sHR 2.32, P < 0.001) and HF (sHR 10.08, P < 0.001). Participants in the highest FRS tertile also had the worst survival (log-rank P < 0.001). We validated these findings in the UK Biobank (n = 389942) wherein individuals in the highest FRS tertile also had a higher hazard for both cancer (sHR 2.05, P < 0.001) and HF (sHR 5.99, P < 0.001) compared with the lowest tertile. CONCLUSION: The FRS associates with new-onset cancer or HF, implicating a broader clinical application of the FRS beyond ASCVD risk stratification in cardio-oncology.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».