Approach to the diagnosis and management of lipoprotein disorders
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Disorders of lipoprotein metabolism are frequently encountered in clinical practice. Although the severe genetic hyperlipidemias are relatively infrequent, prompt recognition and treatment can prevent complications, such as atherosclerosis and pancreatitis. The secondary dyslipidemias, due to medication or other metabolic disorders (hypothyroidism, renal or hepatic diseases), must be identified and treated. With the growing epidemic of obesity, dyslipidemias are a component of the metabolic syndrome. RECENT FINDINGS: The stratification of cardiovascular risk now includes family history and biomarkers of inflammation, especially high-sensitivity C-reactive protein, which enables sound clinical decision making. Lifelong hypercholesterolemia is strongly associated with increasing risk of atherosclerosis and coronary heart disease death, but the decision to treat pharmacologically depends on the absolute cardiovascular risk over the next 10 years. Clinical trial data support intensive treatment of patients at high cardiovascular risk or for the secondary prevention of recurrent coronary heart disease. The recently published JUPITER trial shows that patients with an elevated C-reactive protein benefit from treatment with a statin (rosuvastatin 20 mg) for primary prevention. SUMMARY: The current guidelines for the prevention of coronary artery disease will continue to focus on the determination of global risk, with intensive treatment aimed at the high-risk group. Family history and high-sensitivity C-reactive protein provide additional risk stratification.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 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 ».