Characteristics and outcomes of atrial fibrillation in patients without traditional risk factors: an RE-LY AF registry analysis
Notice bibliographique
Résumé
AIMS: Data on patient characteristics, prevalence, and outcomes of atrial fibrillation (AF) patients without traditional risk factors, often labelled 'lone AF', are sparse. METHODS AND RESULTS: The RE-LY AF registry included 15 400 individuals who presented to emergency departments with AF in 47 countries. This analysis focused on patients without traditional risk factors, including age ≥60 years, hypertension, coronary artery disease, heart failure, left ventricular hypertrophy, congenital heart disease, pulmonary disease, valve heart disease, hyperthyroidism, and prior cardiac surgery. Patients without traditional risk factors were compared with age- and region-matched controls with traditional risk factors (1:3 fashion). In 796 (5%) patients, no traditional risk factors were present. However, 98% (779/796) had less-established or borderline risk factors, including borderline hypertension (130-140/80-90 mmHg; 47%), chronic kidney disease (eGFR < 60 mL/min; 57%), obesity (body mass index > 30; 19%), diabetes (5%), excessive alcohol intake (>14 units/week; 4%), and smoking (25%). Compared with patients with traditional risk factors (n = 2388), patients without traditional risk factors were more often men (74% vs. 59%, P < 0.001) had paroxysmal AF (55% vs. 37%, P < 0.001) and less AF persistence after 1 year (21% vs. 49%, P < 0.001). Furthermore, 1-year stroke occurrence rate (0.6% vs. 2.0%, P = 0.013) and heart failure hospitalizations (0.9% vs. 12.5%, P < 0.001) were lower. However, risk of AF-related re-hospitalization was similar (18% vs. 21%, P = 0.09). CONCLUSION: Almost all patients without traditionally defined AF risk factors have less-established or borderline risk factors. These patients have a favourable 1-year prognosis, but risk of AF-related re-hospitalization remains high. Greater emphasis should be placed on recognition and management of less-established or borderline risk factors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».