A Prospective Evaluation of the Established Criteria for Heart Failure with Preserved Ejection Fraction Using the Alberta HEART Cohort
Notice bibliographique
Résumé
AIMS: Heart failure with a preserved ejection fraction (HF-PEF) remains a difficult clinical diagnosis. The aim of this study was to test the utility of established criteria to classify patients with HF-PEF. We prospectively enrolled patients into one of five groups across a spectrum of cardiac disease and applied three different criteria for HF-PEF and calculated diagnostic metrics. METHODS AND RESULTS: A total of 565 patients were included in the analysis, including 170 patients with an adjudicated diagnosis of HF-PEF, 152 patients with heart failure with reduced ejection fraction, 152 patients at risk for heart failure, and 91 age-matched healthy controls. For the diagnosis of HF-PEF, the positive likelihood ratios were 6.1, 6.9, and 4.8 for the Zile, European Society of Cardiology (ESC) 2007, and ESC 2016 criteria, respectively. The negative likelihood ratios were 0.58, 0.60, and 0.42 for the Zile, ESC 2007, and ESC 2016 criteria, respectively. All three criteria lacked sensitivity to detect HF-PEF (46.5%, 44.1%, and 51.8%, respectively) but were highly specific (92.4%, 93.9%, and 89%, respectively). We further evaluated the criteria to distinguish HF-PEF from other diagnoses after excluding heart failure with reduced ejection fraction; the results were similar. CONCLUSIONS: In this community based cohort, the likelihood ratios of the existing criteria for HF-PEF were not at the level necessary to be considered diagnostic. Improved criteria for the diagnosis of patients with HF-PEF are needed.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».