Sex dependent risk factors for mortality after myocardial infarction: individual patient data meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Although a number of risk factors are known to predict mortality within the first years after myocardial infarction, little is known about interactions between risk factors, whereas these could contribute to accurate differentiation of patients with higher and lower risk for mortality. This study explored the effect of interactions of risk factors on all-cause mortality in patients with myocardial infarction based on individual patient data meta-analysis. METHODS: Prospective data for 10,512 patients hospitalized for myocardial infarction were derived from 16 observational studies (MINDMAPS). Baseline measures included a broad set of risk factors for mortality such as age, sex, heart failure, diabetes, depression, and smoking. All two-way and three-way interactions of these risk factors were included in Lasso regression analyses to predict time-to-event related all-cause mortality. The effect of selected interactions was investigated with multilevel Cox regression models. RESULTS: Lasso regression selected five two-way interactions, of which four included sex. The addition of these interactions to multilevel Cox models suggested differential risk patterns for males and females. Younger women (age<50) had a higher risk for all-cause mortality than men in the same age group (HR 0.7 vs. 0.4), while men had a higher risk than women if they had depression (HR 1.4 vs. 1.1) or a low left ventricular ejection fraction (HR 1.7 vs. 1.3). Predictive accuracy of the Cox model was better for men than for women (area under the curves: 0.770 vs. 0.754). CONCLUSIONS: Interactions of well-known risk factors for all-cause mortality after myocardial infarction suggested important sex differences. This study gives rise to a further exploration of prediction models to improve risk assessment for men and women after myocardial infarction.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».