MétaCan
Menu
Retour à la cohorte
Enregistrement W2793565309 · doi:10.1093/europace/euy015.016

54Treating underlying conditions improves quality of life in patients with persistent atrial fibrillation and heart failure - data from the RACE 3 study

2018· article· en· W2793565309 sur OpenAlexaboutno aff
Ruben R De With, Michiel Rienstra, Bao‐Oanh Nguyen, Victor W Zwartkruis, Anne H. Hobbelt, Marco Alings, J. G. P. Tijssen, Marcelle D. Smit, Johan Brügemann, Bastiaan Geelhoed, Robert G Tieleman, Hans L. Hillege, D.J. van Veldhuisen, Hjgm Crijns, Isabelle C. Van Gelder

Notice bibliographique

RevueEP Europace · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensnon disponible
Organismes subventionnairesSt. Jude MedicalBoston Scientific CorporationSanofiAstraZeneca
Mots-clésMedicineAtrial fibrillationHeart failureRace (biology)Internal medicineCardiologyQuality of life (healthcare)

Résumé

récupéré en direct d'OpenAlex

On behalf of: RACE 3 study group Funding Acknowledgements: Netherlands Heart Foundation, AstraZeneca, Bayer, Biotronik, Boehringer-Ingelheim, Boston Scientific, Medtronic, Sanofi-Aventis, St-Jude-Medical Introduction: Atrial fibrillation (AF) reduces quality of life (QoL). Purpose: We sought to evaluate the effect of treating underlying conditions on QoL in patients with early persistent AF and early mild to moderate heart failure (HF). Methods: We studied QoL in 230 patients with early-persistent AF and early mild to moderate HF included in the randomized, multicenter, prospective Routine versus Aggressive Risk Factor Driven Upstream Rhythm Control for Prevention of Early Atrial Fibrillation in Heart Failure (RACE 3) study. The intervention group received 4 therapies on top of conventional care: 1) mineralocorticoid receptor antagonists, 2) statins, 3) angiotensin converting enzyme inhibitors and/or receptor blockers, and 4) cardiac rehabilitation including physical activity, dietary restrictions, and counseling. The 36-Item Short Form Health Survey (SF-36), Toronto AF severity scale (AFSS) and EHRA class were used to assess QoL and AF related symptoms on baseline and 1 year follow up (FU). Analyses were performed on an intention to treat basis. Results: Age was 65±9 years, 180 (78%) were men, median AF history was 3 (2-6) months and median HF duration 2 (1-4) was months. Hypertension was present in 139 (60%), diabetes in 22 (10%), coronary artery disease in 30 (13%). Left ventricular ejection fraction (LVEF) was 52 (43-60)%, atrial volume 38 (31-48) ml/m2. At baseline clinical characteristics were comparable in the intervention (n=114) and conventional group (n=116). At baseline the 8 SF-36 domains were comparable between both groups. At 1-year FU, all 8 SF-36 categories improved in the intervention, compared to 4 out of 8 categories in the conventional group. Mean change between baseline and 1 year in physical functioning (Δ11.6±19.2 vs Δ5.8±22.5, p=0.015), physical role limitations (Δ32.8±41.5 vs 16.5±45.0, p=0.011), and general health (Δ8.3±16.1 vs Δ–0.3 ±17.2, p<0.001) was significantly higher in the upstream group. No differences in AFSS were present at baseline between groups. In the AFSS, dyspnea in rest improved significantly more in the intervention group (Δ–0.8±1.3 vs Δ–0.4±1.2, p=0.018). At baseline EHRA class was 2.01±0.51 in the intervention vs 2.05±0.51 (p=0.520) in the conventional group, and 1.31±0.52 vs 1.54±0.64 (p=0.003) at 1 year FU. Conclusion: A strategy aiming to treat underlying conditions improves physical functioning, physical role limitations and general health significantly more compared to conventional therapy in patients with persistent atrial fibrillation and mild to moderate heart failure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,718

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,394
Tête enseignante GPT0,432
Écart entre enseignants0,038 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEP EuropaceMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207