Patterns of long‐term use of non‐vitamin K antagonist oral anticoagulants for non‐valvular atrial fibrillation: Quebec observational study
Notice bibliographique
Résumé
Abstract Purpose Studies on long‐term utilization of non‐vitamin K antagonist oral anticoagulants (NOACs) in non‐valvular atrial fibrillation (NVAF) are scarce. We evaluated predictors of use and long‐term persistence of NOACs in a real‐world setting. Methods This population‐based cohort study used the computerized databases of the Canadian Province of Quebec's health insurance. Patients with a first NVAF diagnosis from 2011 until 2014 were included. A logistic regression model yielded adjusted odds ratios (ORs) and 95% confidence intervals (CIs) for predictors of treatment initiation with NOACs versus VKAs. Cox proportional hazards models yielded adjusted hazard ratios (HRs) and 95% CIs for predictors of switching from VKAs to NOACs versus remaining on VKAs, and for predictors of discontinuation of anticoagulation treatment. Results Of the 62 867 newly diagnosed NVAF patients, 14 646 initiated NOACs and 17 685 VKAs. Initiation with NOACs was less likely for patients ≥ 80 years old (OR 0.55, 95% CI 0.41–0.73) or with CHA 2 DS 2 ‐VASc ≥ 2 (OR 0.49, 95% CI 0.42–0.57). Switching from VKAs to NOACs was less likely for patients with chronic kidney disease (HR 0.53, 95% CI 0.48–0.59). After 3 years, persistence was 54% with NOACs and 25% with VKAs. Discontinuation of anticoagulation treatment was less likely for patients ≥ 80 years old (HR 0.47, 95% CI 0.40–0.55) or with CHA 2 DS 2 ‐VASc ≥ 2 (HR 0.64, 95% CI 0.57–0.70). Conclusions Older, high‐risk patients are less likely to initiate NOACs than VKAs. NOAC users show a higher long‐term persistence than VKA users, and older, high‐risk patients are less likely to discontinue anticoagulation treatment.
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) | 0,001 | 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 ».