Assessing Risk in Patients with Stable Coronary Disease: When Should We Intensify Care and Follow-Up? Results from a Meta-Analysis of Observational Studies of the COURAGE and FAME Era
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background. A large number of clinical and laboratory markers have been appraised to predict prognosis in patients with stable angina, but uncertainty remains regarding which variables are the best predictors of prognosis. Therefore, we performed a meta-analysis of studies in patients with stable angina to assess which variables predict prognosis. Methods. MEDLINE and PubMed were searched for eligible studies published up to 2015, reporting multivariate predictors of major adverse cardiac events (MACE, a composite endpoint of death, myocardial infarction, and revascularization) in patients with stable angina. Study features, patient characteristics, and prevalence and predictors of such events were abstracted and pooled with random-effect methods (95% CIs). Major adverse cardiovascular event (MACE) was the primary endpoint. Results. 42 studies (104,559 patients) were included. After a median follow-up of 57 months, cardiovascular events occurred in 7.8% of patients with MI in 6.2% of patients and need for repeat revascularization (both surgical and percutaneous) in 19.5% of patients. Male sex, reduced EF, diabetes, prior MI, and high C-reactive protein were the most powerful predictors of cardiovascular events. Conclusions. We show that simple and low-cost clinical features may help clinicians in identifying the most appropriate diagnostic and therapeutic approaches within the broad range of outpatients presenting with stable coronary artery disease.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découle