Association Between Metabolic Syndrome Components, Clinical Characteristics, and Telomere Length: Factor Analysis of Mixed Data Based Cluster Analysis of LIPIDOGEN2015 Cross-Sectional Study
Notice bibliographique
Résumé
INTRODUCTION: Telomere length is an acclaimed marker of aging, which has been previously shown to correlate with cardiovascular diseases and metabolic syndrome traits. AIM: To identify the relationship between patient characteristics and telomere length. METHODS: The LIPIDOGEN was a random patient sample substudy of LIPIDOGRAM 2015 study (n = 13,724) conducted in primary care facilities in Poland. Data on risk factors, chronic diseases, treatment, and lifestyle were collected. Telomere length was determined with routine PCR from saliva. Factor Analysis for Mixed Data analysis was utilized to discern the principal components of patient clinical profiles. Furthermore, hierarchical clustering was used to obtain clusters of patients based on principal components. RESULTS: 1556 patients (60% female, mean age 51 years) were included in the analysis after the exclusion of outliers and low DNA quality samples. Three clusters of patients were identified. Cluster 1 was characterized by low cardiovascular risk, without significant risk factors. Cluster 2 consisted of patients with a higher incidence of metabolic syndrome (MetS, 62%) and the highest smoking rate (22%). Cluster 3 had the highest incidence of MetS (94%), treatment with statin (62%), and diabetes mellitus (61%), and contained nearly all patients with myocardial infarction (17% of this cluster). Patients in Cluster 1 had significantly longer telomeres than patients in Cluster 2 and 3 (p = 0.01 and p < 0.001 respectively). CONCLUSIONS: The pattern of clinical characteristics marked by classical cardiovascular risk factors including components of MetS, is inversely related to telomere length, underlining the potential role of metabolic disturbances in cellular aging.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| 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 ».