Relations of Change in Plasma Levels of LDL‐C, Non‐HDL‐C and apoB With Risk Reduction From Statin Therapy: A Meta‐Analysis of Randomized Trials
Notice bibliographique
Résumé
BACKGROUND: Identifying the best markers to judge the adequacy of lipid-lowering treatment is increasingly important for coronary heart disease (CHD) prevention given that several novel, potent lipid-lowering therapies are in development. Reductions in LDL-C, non-HDL-C, or apoB can all be used but which most closely relates to benefit, as defined by the reduction in events on statin treatment, is not established. METHODS AND RESULTS: We performed a random-effects frequentist and Bayesian meta-analysis of 7 placebo-controlled statin trials in which LDL-C, non-HDL-C, and apoB values were available at baseline and at 1-year follow-up. Summary level data for change in LDL-C, non-HDL-C, and apoB were related to the relative risk reduction from statin therapy in each trial. In frequentist meta-analyses, the mean CHD risk reduction (95% CI) per standard deviation decrease in each marker across these 7 trials were 20.1% (15.6%, 24.3%) for LDL-C; 20.0% (15.2%, 24.7%) for non-HDL-C; and 24.4% (19.2%, 29.2%) for apoB. Compared within each trial, risk reduction per change in apoB averaged 21.6% (12.0%, 31.2%) greater than changes in LDL-C (P<0.001) and 24.3% (22.4%, 26.2%) greater than changes in non-HDL-C (P<0.001). Similarly, in Bayesian meta-analyses using various prior distributions, Bayes factors (BFs) favored reduction in apoB as more closely related to risk reduction from statins compared with LDL-C or non-HDL-C (BFs ranging from 484 to 2380). CONCLUSIONS: Using both a frequentist and Bayesian approach, relative risk reduction across 7 major placebo-controlled statin trials was more closely related to reductions in apoB than to reductions in either non-HDL-C or LDL-C.
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 | 0,019 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,015 | 0,005 |
| 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) | 0,000 | 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 ».