Modelos predictivos de complicaciones cardiovasculares de la hipertensión
Notice bibliographique
Résumé
Introduction: The predictors of cardiovascular complications of hypertension can be diverse, highlighting older age, precarious social, economic and personal conditions, as well as body conditions, susceptible to modification with comprehensive health interventions. Objective: To predict cardiovascular complications of hypertension in users of a Peruvian public hospital using models. Methodology: The research was analytical, predictive, cross-sectional, with retrospective data collection. 303 patients who attended the Cajamarca Regional Hospital during 2022 were investigated. Sociodemographic data and data on cardiovascular complications of hypertension were obtained from the data stored by the hospital. Descriptive statistics included absolute and relative frequencies, confidence intervals, mean and dispersion measures, and predictive models were performed using binary logistic regression and Cohen's Kappa Index, with a statistical significance of p<0.05. Results: The most frequent cardiovascular complication was heart failure (49.5%). The model for heart failure predicts 70.6% and the years of diagnosis, occupation and marital status are included in the equation, for atrial fibrillation it predicts 82.2% and the equation includes age, sex, years of diagnosis, level of education and marital status and for angina pectoris it predicts 84.8% and the equation includes age, sex and years of diagnosis. Conclusions: The models created for the cardiovascular complications of hypertension have good predictive capacity, therefore, accurate and efficient performance in the predictor variables will allow favorable control of the complications of the disease.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».