Predictors and Outcomes of Heart Failure with Mid-Range Ejection Fraction
Notice bibliographique
Résumé
AIMS: While heart failure with preserved (HFpEF) and reduced ejection fraction (HFrEF) are well described, determinants and outcomes of heart failure with mid-range ejection fraction (HFmrEF) remain unclear. We sought to examine clinical and biochemical predictors of incident HFmrEF in the community. METHODS AND RESULTS: We pooled data from four community-based longitudinal cohorts, with ascertainment of new heart failure (HF) classified into HFmrEF [ejection fraction (EF) 41-49%], HFpEF (EF ≥50%), and HFrEF (EF ≤40%). Predictors of incident HF subtypes were assessed using multivariable Cox models. Among 28 820 participants free of HF followed for a median of 12 years, there were 200 new HFmrEF cases, compared with 811 HFpEF and 1048 HFrEF. Clinical predictors of HFmrEF included age, male sex, systolic blood pressure, diabetes mellitus, and prior myocardial infarction (multivariable adjusted P ≤ 0.003 for all). Biomarkers that predicted HFmrEF included natriuretic peptides, cystatin-C, and high-sensitivity troponin (P ≤ 0.0004 for all). Natriuretic peptides were stronger predictors of HFrEF [hazard ratio (HR) 2.00 per 1 standard deviation increase, 95% confidence interval (CI) 1.81-2.20] than of HFmrEF (HR 1.51, 95% CI 1.20-1.90, P = 0.01 for difference), and did not differ in their association with incident HFmrEF and HFpEF (HR 1.56, 95% CI 1.41-1.73, P = 0.68 for difference). All-cause mortality following the onset of HFmrEF was worse than that of HFpEF (50 vs. 39 events per 1000 person-years, P = 0.02), but comparable to that of HFrEF (46 events per 1000 person-years, P = 0.78). CONCLUSIONS: We found overlap in predictors of incident HFmrEF with other HF subtypes. In contrast, mortality risk after HFmrEF was worse than HFpEF, and similar to HFrEF.
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 ».