Conséquences imprévues : comprendre les maladies cardiovasculaires chez les adultes âgés atteints d’épilepsie
Bibliographic record
Abstract
INTRODUCTION. La charge mondiale des maladies cardiovasculaires (MCV) ne cesse d’augmenter. Une population particulièrement vulnérable à ces maladies est celle des adultes âgés ayant une maladie neurologique : l’épilepsie. Plusieurs études démontrent que les adultes âgés atteints d’épilepsie ont un risque plus élevé de développer une MCV par rapport à la population générale. Cette association est étonnamment peu étudiée chez cette population. Afin de développer des programmes de soins de santé pour prévenir l’apparition de comorbidité de MCV chez les personnes atteintes d’épilepsie, dresser un portrait précis des adultes âgés atteints d’épilepsie est nécessaire. OBJECTIFS. Afin de combler les lacunes de la littérature scientifique sur les causes du fardeau élevé des MCV chez les adultes âgés atteints d’épilepsie, l’objectif de ce mémoire est d’étudier la répartition des facteurs sociaux, mode de vie et comportements, ainsi que des maladies chroniques connues comme étant des facteurs de risque de MCV chez les adultes âgés atteints d’épilepsie comparée à la population générale. En outre, nous visons à mesurer l’association transversale entre l’épilepsie et les MCV chez les adultes âgés, avec et sans ajustement pour des antécédents d’accidents vasculaires cérébraux (AVC), ainsi qu’à trouver des preuves d’interactions entre l’épilepsie et les facteurs de risque de MCV. MÉTHODES. Nous avons analysé les données de 44 817 participants de l’Étude longitudinale canadienne sur le vieillissement (ÉLCV), une cohorte d’étude longitudinale composée d’individus âgés d’au moins 45 ans et plus dont plus de 700 personnes ont des antécédents d’épilepsie autodéclarés au cours de leur vie. En ajustant pour l’âge, le sexe et le statut d’AVC, nous avons utilisé la régression log-binomiale pour modéliser les associations transversales entre les facteurs de risque de MCV, l’épilepsie et les MCV telles que les maladies cardiaques, les maladies vasculaires périphériques et les infarctus du myocarde. Nous avons comparé le fardeau des MCV attribuable par les AVC dans la population avec et sans épilepsie. Des modèles de régression multivariés ont également été stratifiés en fonction du statut d’épilepsie afin d’observer des différences dans ces associations entre les personnes atteintes d’épilepsie et les personnes non atteintes d’épilepsie. Finalement, nous avons testé l’existence d’interactions entre les facteurs de risque de MCV et l’épilepsie, et leur association avec le statut de MCV. Nous avons utilisé l’imputation multiple pour remplacer les données manquantes. RÉSULTATS. La majorité des caractéristiques sociodémographiques, mode de vie et comportements et maladies chroniques, sélectionnées comme facteurs de risque de MCV dans notre étude, étaient significativement plus prévalentes chez les personnes atteintes d’épilepsie comparée à la population générale non atteinte d’épilepsie. Le fardeau des MCV attribuable par les AVC chez les personnes atteintes d’épilepsie n’était que de 36 %, soit un taux similaire à celui de la population générale qui lui s’élevait à 32 %. Même après l’ajustement du statut d’AVC, ainsi que de l’âge et du sexe, les personnes atteintes d’épilepsie présentaient une prévalence significativement plus élevée de maladies cardiaques [ratio de prévalence (PR) = 1,27 (IC à 95 % : 1,02-1,57)] et de maladies vasculaires périphériques [PR = 1,88 (IC à 95 % : 1,50-2,36)]. Bien qu’elle ne soit plus significative, la tendance vers une augmentation de la prévalence des infarctus du myocarde chez les personnes atteintes d’épilepsie était maintenue [PR = 1,19 (IC à 95 % : 0,89-1,60)]. Finalement, parmi tous les facteurs de risque de MCV, seuls l’âge, l’hypertension et la maladie pulmonaire chronique obstructive ont été associés à une augmentation significative de la prévalence d’une ou plusieurs MCV. CONCLUSION. La grande taille de l’échantillon et l’étendue des informations sur la santé saisies par l’ÉLCV (c’est-à-dire démographiques, sociales, physiques, psychologiques, économiques, physiologiques) nous ont permis de modéliser une analyse approfondie et de présenter un reflet juste d’une population d’adultes âgés. Le mémoire présenté démontre que les facteurs de risque de MCV sont plus fréquemment observés chez les personnes atteintes d’épilepsie et l’association entre l’épilepsie et les MCV est indépendante de l’association entre l’épilepsie et les AVC. Ces résultats constituent une première étape importante pour mieux comprendre les origines des MCV chez les personnes atteintes d’épilepsie. L’analyse de médiation aurait pu être un moyen d’approfondir mes analyses. Cela n’a pas été possible avec l’analyse actuelle étant donné que nous n’avions aucun moyen d’établir la séquence temporelle de nos données. Les adultes âgés constituent une population vulnérable à laquelle les prestataires de soins de santé doivent accorder une attention particulière. Mener des études longitudinales sur les personnes dont les crises d'épilepsie viennent d'être diagnostiquées et qui présentent une maladie chronique, des caractéristiques sociodémographiques et un mode de vie entièrement caractérisé (avant et après le diagnostic d'épilepsie) sont nécessaires.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".