Designing Risk‐Adjusted Therapy for Patients with Hypertension
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
Limited guidance is available for providing patient‐specific care to hypertensive patients, although this chronic condition is the leading risk factor for cardiovascular diseases. To address this issue, we develop an analytical model that takes into account the most relevant risk factors including age, sex, blood pressure, diabetes status, smoking habits, and blood cholesterol. Using the Markov Decision Process framework, we develop a model to maximize expected quality‐adjusted life years, as well as characterize the optimal sequence and combination of antihypertensive medications. Assuming the physician uses the standard medication dose for each drug, and the patient fully adheres to the prescribed treatment regimen, we prove that optimal treatment policies exhibit a threshold structure. Our findings indicate that our recommended thresholds vary by age and other patient characteristics, for example (1) the optimal thresholds for all medication prescription are nonincreasing in age, and (2) the medications need to be prescribed at lower thresholds for males who smoke than for males who have diabetes. The improvements in quality‐adjusted life years associated with our model compare favorably with those obtained by following the British Hypertension Society's guideline, and the gains increase with the severity of risk factors. For instance, in both genders (although at different rates), diabetic patients gain more than non‐diabetic patients. Our sensitivity analysis results indicate that the optimal thresholds decrease if the medications have lower side‐effects and vice versa.
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 | 0,003 | 0,000 |
| 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 découle