Discriminating clinical features of heart failure with preserved vs. reduced ejection fraction in the community
Notice bibliographique
Résumé
AIMS: Heart failure (HF) is a major public health burden worldwide. Of patients presenting with HF, 30-55% have a preserved ejection fraction (HFPEF) rather than a reduced ejection fraction (HFREF). Our objective was to examine discriminating clinical features in new-onset HFPEF vs. HFREF. METHODS AND RESULTS: Of 712 participants in the Framingham Heart Study (FHS) hospitalized for new-onset HF between 1981 and 2008 (median age 81 years, 53% female), 46% had HFPEF (EF >45%) and 54% had HFREF (EF ≤45%). In multivariable logistic regression, coronary heart disease (CHD), higher heart rate, higher potassium, left bundle branch block, and ischaemic electrocardiographic changes increased the odds of HFREF; female sex and atrial fibrillation increased the odds of HFPEF. In aggregate, these clinical features predicted HF subtype with good discrimination (c-statistic 0.78). Predictors were examined in the Enhanced Feedback for Effective Cardiac Treatment (EFFECT) study. Of 4436 HF patients (median age 75 years, 47% female), 32% had HFPEF and 68% had HFREF. Distinguishing clinical features were consistent between FHS and EFFECT, with comparable discrimination in EFFECT (c-statistic 0.75). In exploratory analyses examining the traits of the intermediate EF group (EF 35-55%), CHD predisposed to a decrease in EF, whereas other clinical traits showed an overlapping spectrum between HFPEF and HFREF. CONCLUSION: Multiple clinical characteristics at the time of initial HF presentation differed in participants with HFPEF vs. HFREF. While CHD was clearly associated with a lower EF, overlapping characteristics were observed in the middle of the left ventricular EF range spectrum.
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 | 0,005 | 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 | 0,001 |
| 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 ».