Low-density lipoprotein-lowering strategies
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Maximalist low-density lipoprotein (LDL)-lowering strategies such as lowering LDL as much as possible or, alternatively, using the most potent LDL-lowering regimens have become increasingly popular. Almost all attention has focused on the potential advantages of these approaches with little focus on their potential disadvantages. Moreover, it is increasingly assumed that the lower and lower is better and better approach is supported by unassailable evidence. RECENT FINDINGS: This article will examine how strongly the findings of the statin clinical trials actually support the maximalist strategy. We will also introduce a new approach, the population percentile strategy, which is based on the fact that the amount of cholesterol in LDL can differ substantially. When cholesterol-depleted LDL particles are present, LDL cholesterol (LDL-C) underestimates apolipoprotein B (apoB) and LDL particle number. Statins lower LDL-C and nonhigh-density lipoprotein cholesterol (non-HDL-C) more than they lower apoB and LDL particle number. This means that, even if LDL-C, non-HDL-C and apoB are equal markers of on-treatment risk, apoB is a better marker of the adequacy of LDL-lowering therapy. SUMMARY: Our analysis indicates that the LDL-lowering regimen should be tailored to the individual using a population percentile strategy to ensure the greatest number of patients receive the greatest overall benefit. With this approach, apoB is the best marker of the adequacy of LDL-lowering therapy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| 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 | 0,001 | 0,002 |
| 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 ».