Abstract 284: Association of Worsening Renal Function With Mortality and Heart Failure Readmissions in Patients Hospitalized With Acute Heart Failure
Notice bibliographique
Résumé
Background: The impact of worsening renal function (WRF) on heart failure (HF)-related readmissions (HFR) and HF-related mortality among hospitalized acute HF patients was examined. Methods: A patient’s first acute HF hospitalization event (index) was identified in Cerner Health Facts® database (Jan 2008–March 2011). Patients were categorized as WRF (serum creatinine ≥0.3 mg/dL and ≥25% increase from baseline) persisting at discharge (WRFp), not persisting at discharge (WRFt), or non WRF. Outcomes were compared for the index hospitalization and cumulatively at 30, 180, and 365 days post discharge. Generalized linear model (HFR count) and logistic regression models (mortality) were constructed. Results: The acute HF patients (77% [42,507 of 55,436] non WRF, 10% [5,563 of 55,436] WRFp, and 13% [7,366 of 55,436] WRFt) were 53% [29,442 of 55,436] female with a mean age of 72.4 (±14.3) years. WRFp had higher index mortality rates (23.6% [1,312 of 5,563] vs 5.7% [418 of 7,366] vs 3.9% [1,673 of 42,507], P<0.0001) than WRFt and non WRF patients, respectively. For mortality, 70% [3,403 of 4,883] of deaths occurred at the index hospitalization. WRFp and WRFt patients combined had higher 30-day HFR counts than non WRF patients (0.12 vs 0.09, P<0.0001), but there was no difference between WRFp and WRFt. These observations were consistent across all cumulative time points and confirmed by multivariable analyses. Conclusion: Acute HF patients with WRF were more likely to die or be readmitted than non WRF patients. WRFp patients experienced higher HF-related mortality rates than WRFt patients but there were no differences in HFR between WRFt and WRFp.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».