Combined clinical, metabolomic, and polygenic scores for cardiovascular risk prediction
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Clinical biomarkers, nuclear magnetic resonance (NMR) metabolomics biomarker scores, and polygenic risk scores (PRS) have shown promise for improving cardiovascular disease (CVD) prediction but have not yet been evaluated in the context of current prediction models (SCORE2) and ESC recommendations for 10-year prediction of fatal and non-fatal CVD. METHODS: NMR metabolomic biomarker scores were constructed and compared to clinical biomarkers, PRS and SCORE2 in 297 463 UK Biobank participants (8919 incident CVD cases) aged 40-69 without previous CVD, diabetes, or lipid-lowering treatment. Improvement in risk discrimination when added to SCORE2 was assessed using Harrel's C-index. Improvement in risk stratification following ESC guideline risk thresholds was assessed using categorical net reclassification. Population modelling was subsequently applied to estimate the impact on CVD prevention if applied at scale. RESULTS: Risk discrimination provided by SCORE2 (C-index: 0.719) improved when 11 clinical biomarkers (ΔC-index: 0.014 [0.012-0.015]), NMR metabolomic biomarker scores (ΔC-index: 0.010 [0.009-0.012]) and PRSs (ΔC-index 0.009; [0.008-0.011]) were added individually. The combination of 11 clinical biomarkers, NMR metabolomic biomarker scores, and PRSs yielded the largest improvement risk discrimination, with ΔC-index 0.024 (0.022-0.027). Concomitant improvements in risk stratification were observed in categorical net reclassification index, with net case reclassification of 16.66% (15.50%-17.81%). Modelling suggested that addition of these biomarkers to SCORE2 for targeted risk reclassification would increase the number of CVD events prevented per 100 000 screened from 229 to 413 (ΔCVDprevented: 184 [174-194]) while essentially maintaining the number of statins prescribed per CVD event prevented. CONCLUSIONS: Combining NMR metabolomic, polygenic, and clinical biomarkers with SCORE2 enhanced prediction of first-onset CVD and could have substantial population health benefit if applied at scale.
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 | 0,015 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».