Prevalence and Predictors of Paroxysmal Atrial Fibrillation on Holter Monitor in Patients With Stroke or Transient Ischemic Attack
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Our aims were to quantify the yield of Holter monitor for detection of paroxysmal atrial fibrillation (PAF) in patients with stroke and TIA, and to determine potential predictors of PAF to allow more focused testing. METHODS: We reviewed records of 1128 consecutive patients attending a university stroke clinic from September 2005 to September 2006 and identified 426 patients with definite TIA or stroke. We abstracted clinical, cardiac imaging, and neuroimaging data. Logistic regression analysis was performed to determine independent predictors of PAF on Holter monitor. RESULTS: Overall, 413 of 426 patients (65 ± 15 years; male, 49.8%) with a definite TIA (53%) or stroke (47%) underwent Holter monitoring for a mean of 22.6 hours. PAF occurred in 39 patients (9.2%) all older than age 55 years. PAF lasting > 30 seconds was evident in 11 patients (2.5%). The other 28 patients had PAF < 30 seconds (6.5%). In multivariate analyses, number of acute (odds ratio [OR], 1.7 for each 1 lesion increase; 95% confidence interval [CI], 1.2-2.6; P = 0.0047) and chronic (OR, 1.6 for each 1 lesion increase; 95% CI, 1.2-2.3; P = 0.0001) infarcts on brain CT, number of chronic infarcts on MRI (OR, 3.0 for each 1 lesion increase; 95% CI, 1.7-5.1; P < 0.0001), and any acute cortical infarct on imaging (OR, 5.8; 95% CI, 1.9-17.8; P = 0.0023) were associated with PAF. CONCLUSIONS: PAF is present in 9.2% of patients with definite stroke or TIA. Age older than 55 years and presence of acute or chronic brain infarcts on neuroimaging are strongly associated with PAF.
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) | 0,000 | 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 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 ».