Impact of left ventricular function on clinical outcomes of functional mitral regurgitation patients undergoing transcatheter mitral valve repair
Notice bibliographique
Résumé
OBJECTIVES: To evaluate the impact of baseline left ventricular (LV) function on the clinical outcomes of patients with functional mitral regurgitation (FMR) treated with MitraClip. BACKGROUND: It is unknown whether patients with significant FMR and severe LV dysfunction benefit from MitraClip. METHODS: A cohort of 77 patients with significant FMR undergoing MitraClip procedure between December 2010 and January 2015 was categorized by baseline LV ejection fraction (LVEF) into tertiles: LVEF <27% (n = 27), LVEF 27-37% (n = 25), and LVEF >37% (n = 25). We sought to evaluate the impact of LVEF on all-cause mortality at follow-up. RESULTS: There were no significant differences in baseline comorbidities, medical treatment and MR severity among tertiles of LVEF. Overall procedural success was 94%, with no differences among groups (LVEF <27%: 89%; LVEF 27-37%: 100%; LVEF >37%: 92%; P = 0.25). Median follow-up was 372 days (interquartile range: 128-627 days). MR severity improved in all three groups, as compared to baseline. There were no differences in the prevalence of MR ≤2+ on follow-up (P = 0.40). Mortality was highest in patients with LVEF <27% (41%), as compared with LVEF 27-37% (16%) and LVEF >37% (4%), P = 0.004. Patient who died had a lower baseline LVEF compared to those who survived (24.8 ± 7.7% versus 35.5 ± 13.7%, P < 0.001). An LVEF <27% was an independent predictor of mortality after adjusting for procedural success: hazard ratio 3.4 (95% CI: 1.1 to 10.0; P = 0.030). CONCLUSIONS: MitraClip is effective in FMR patients regardless of the severity of LV dysfunction. However, low baseline LVEF is associated with increased mortality, despite procedural success. © 2016 Wiley Periodicals, Inc.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,056 |
| 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 ».