7-006 The prognostic value of the american heart association prevent cardiovascular disease risk equations in cancer survivorship: a nhanes population-based study (2009–2018)
Notice bibliographique
Résumé
Background The PREVENT equations offer a contemporary tool for estimating long-term cardiovascular (CV) risk in the general population.1 2 However, their prognostic significance in cancer survivors remains unclear. This study evaluates the association of baseline CV risk, calculated by PREVENT equations, with all-cause and CV mortality in cancer survivors. Methods Using 10 years of data from the National Health and Nutrition Examination Survey (NHANES) (2009–2018), we analysed a cohort representing over 18 million U.S. cancer survivors to evaluate the association between baseline CV risk, as defined by the PREVENT equations, and long-term all-cause and CV mortality. A Cox proportional hazards model was used to evaluate the relationship with all-cause mortality, while competing risk analysis was applied for CV mortality using the Fine and Gray semiparametric proportional hazards model, accounting for the competing risk of non-CV mortality. Models were adjusted for family income, education level, and cancer site. All statistical analyses were based on weighted records. Results A total of 18,722,334 weighted records (2,792 unweighted) were analysed, recording 4,875,627 all-cause deaths (26%) and 1,025,053 CV deaths (5.5%) over a 118-month median follow-up. When compared to low-risk individuals, those at high CV risk had a nearly sixteenfold higher risk of all-cause mortality (aHR: 15.60, 95% CI: 8.45–28.82, p < 0.001) and a fourteenfold higher risk of CV mortality (sHR: 14.01, 95% CI: 3.37–58.26, p < 0.001) during up to a decade of follow-up. Each 5% increase in baseline CV risk was associated with higher risks of all-cause mortality (36%) and CV mortality (50%) (aHR: 1.36 [95% CI: 1.30–1.42], sHR: 1.50 [95% CI: 1.35–1.66], p < 0.001 for both). Conclusion This study highlights the usefulness of the PREVENT score across diverse cancer survivor populations in predicting all-cause and CV mortality outcomes regardless of cancer site. References Khan SS, Coresh J, Pencina MJ, Ndumele CE, Rangaswami J, Chow SL, et al. Novel prediction equations for absolute risk assessment of total cardiovascular disease incorporating cardiovascular-kidney-metabolic health: a scientific statement from the american heart association. Circulation [Internet]. 2023 Dec 12 [cited 2025 Mar 6];148(24):1982–2004. Available from: https://pubmed.ncbi.nlm.nih.gov/37947094/. Scheuermann B, Brown A, Colburn T, Hakeem H, Chen ,, Chow H, et al. External validation of the American heart association PREVENT cardiovascular disease risk equations key points + invited commentary + supplemental content. JAMA Netw Open. 2024;7(10):2438311.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».