Imputation of untreated LDL-C in treated subjects with homozygous familial hypercholesterolaemia: An international collaboration
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Diagnosis of Homozygous Familial Hypercholesterolaemia (HoFH) relies on untreated low-density lipoprotein-cholesterol (LDL-C) which is often unknown. We determine whether untreated LDL-C can be imputed from treated LDL-C in HoFH. METHODS: Two groups with HoFH were identified: Group 1 (n = 193) from Canada, Brazil and South Africa; Group 2 (n = 206) from the HoFH International Clinical Collaboration. Pre- and post-treatment LDL-C and lipid lowering therapy (LLT) intensity from Group 1 were used to develop a regression model and applied to treated LDL-C in Group 2 to impute pre-treatment LDL-C. The same process was performed in reverse. A final imputation model was created from combining both groups. RESULTS: There was a curvilinear relationship between the expected and observed % lowering of LDL-C on LLT (r = 0.3923, p < 0.0001, Standard Error [SE] = 23 %). Using this relationship, LDL-C was imputed from treated values and showed significant correlation with pre-treatment LDL-C (r = 0.71, p < 0.001; mean values 13.4 ± 4.7 [Standard Deviation] and 13.6 ± 7.3 mmol/L, respectively, ns). Concordance between actual and imputed values ≥ 10 or <10 mmol/L was 80 %. Whereas 36 % of patients had treated LDL-C ≥ 10 mmol/L, 64 % had treated or imputed pre-treatment LDL-C ≥ 10 mmol/L. CONCLUSIONS: In HoFH, the response to LLT can be quantified and used to impute untreated LDL-C from treated LDL-C. Imputation may augment awareness of possible HoFH in treated subjects lacking records of untreated LDL-C.
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 | 0,084 | 0,117 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».