Key Principle #1: Causal inference requires careful consideration of confounding d Preferred variable selection methods 1. Historical confounder definition with purposeful variable selection 2. Causal models using directed acyclic graphs d Variable selection methods that do not adequately control for confounding 3. P value-or model-based methods 4. Methods based on b-coefficient changes 5. Selection of variables to identify "independent predictors" d Do not present all of the effect estimates from a model designed to test a single causal association (Table 2 fallacy) Key Principle #2: Interpretation of results should not rely on the magnitude of P values d P values should rarely be presented in isolation d Present effect estimates and measures of variability with or without P values d Variability around effect estimates should inform conclusions d A conclusion of "no association" should require exclusion of meaningful effect sizes d Avoid the word "significant" in favor of more specific language.Key Principle #3: Results should be presented in a granular and transparent fashion d Use the STROBE statement and checklist d Model tables after the STROBE explanation and elaboration document (30) d Visual presentation of quantitative results B Present individual data points when possible B Avoid excessive lines, text, grids, and abbreviations B Continuous data should not be presented in bar charts with standard error bars ("plunger plots") B Use color-blind-friendly palettes

Inflammation and oxidative stress contribute to muscle dysfunction in patients with chronic obstructive pulmonary disease (COPD). Oxidants contained in cigarette smoke (CS) induce adverse effects on tissues through oxidative phenomena.To explore oxidative stress and inflammation in quadriceps of human smokers and in diaphragm and limb muscles of guinea pigs chronically exposed to CS.Muscle function, protein oxidation and nitration, antioxidants, oxidized proteins, inflammation, creatine kinase activity, and lung and muscle structures were investigated in vastus lateralis of smokers, patients with COPD, and healthy control subjects and in diaphragm and gastrocnemius of CS-exposed guinea pigs at 3, 4, and 6 months.Compared with control subjects, quadriceps muscle force was mildly but significantly reduced in smokers; protein oxidation levels were increased in quadriceps of smokers and patients with COPD, and in respiratory and limb muscles of CS-exposed animals; glycolytic enzymes, creatine kinase, carbonic anydrase-3, and contractile proteins were significantly more carbonylated in quadriceps of smokers and patients with COPD, and in respiratory and limb muscles of CS-exposed guinea pigs. Chronic CS exposure induced no significant rise in muscle inflammation in either smokers or rodents. Muscle creatine kinase activity was reduced only in patients with COPD and in both diaphragm and gastrocnemius of CS-exposed animals. Guinea pigs developed bronchiolar abnormalities at 4 months of exposure and thereafter.CS exerts direct oxidative modifications on muscle proteins, without inducing any significant rise in muscle inflammation. The oxidative damage to muscle proteins, which precedes the characteristic respiratory changes, may contribute to muscle loss and dysfunction in smokers and patients with COPD.

Prediction models aim to use available data to predict a health state or outcome that has not yet been observed. Prediction is primarily relevant to clinical practice, but is also used in research, and administration. While prediction modeling involves estimating the relationship between patient factors and outcomes, it is distinct from casual inference. Prediction modeling thus requires unique considerations for development, validation, and updating. This document represents an effort from editors at 31 respiratory, sleep, and critical care medicine journals to consolidate contemporary best practices and recommendations related to prediction study design, conduct, and reporting. Herein, we address issues commonly encountered in submissions to our various journals. Key topics include considerations for selecting predictor variables, operationalizing variables, dealing with missing data, the importance of appropriate validation, model performance measures and their interpretation, and good reporting practices. Supplemental discussion covers emerging topics such as model fairness, competing risks, pitfalls of “modifiable risk factors”, measurement error, and risk for bias. This guidance is not meant to be overly prescriptive; we acknowledge that every study is different, and no set of rules will fit all cases. Additional best practices can be found in the Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD) guidelines, to which we refer readers for further details.