Multimorbidity and risk of atrial fibrillation in the Lifelines cohort
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Aims Associations of individual comorbidities with incident atrial fibrillation (AF) are well-studied. However, the impact of multimorbidity and potentially clustering of comorbidities on incident AF remains unclear. This study investigated the number and clustering of (non-)cardiovascular comorbidities with incident AF. Methods and results We studied 25 (non-)cardiovascular comorbidities in 76 648 participants from the Lifelines cohort. Logistic regression was used to study the association between the number of comorbidities and incident AF. Latent class analysis was used to identify comorbidity clusters. Mean age was 46.4 ± 2.6 years and 59.3% were women. In this population, 56 034 (73.1%) participants had ≥2 comorbidities, 42 575 (55.5%) ≥ 2 cardiovascular comorbidities, and 14 612 (19.1%) ≥ 2 non-cardiovascular comorbidities. After a mean follow-up of 3.70 ± 0.95 years, 188 (0.2%) participants developed incident AF. After adjusting for age and sex, the total number of comorbidities (OR 1.10 [1.01–1.19], P = 0.022) and number of cardiovascular comorbidities (OR 1.18 [1.06–1.31], P = 0.002) were associated with incident AF, but not the number of non-cardiovascular comorbidities. We identified 12 comorbidity clusters carrying different risks of incident AF (AF incidence rate range 0.00 to 0.58 per 100 person-years, P < 0.001) with the median number of comorbidities ranging from one to seven. However, the clusters did not demonstrate specific combinations of comorbidities. Conclusion There was a dose-dependent relationship between the number of total comorbidities and cardiovascular comorbidities and risk of incident AF, but not for non-cardiovascular comorbidities. We identified 12 comorbidity clusters with different risks of incident AF; however, these clusters were determined by the number of comorbidities rather than specific combinations.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 découle