Implantable Cardioverter-Defibrillators in Heart Failure Patients with Reduced Ejection Fraction and Diabetes
Notice bibliographique
Résumé
AIM: There is limited information on the outcomes after primary prevention implantable cardioverter-defibrillator (ICD) implantation in patients with heart failure (HF) and diabetes. This analysis evaluates the effectiveness of a strategy of ICD plus medical therapy vs. medical therapy alone among patients with HF and diabetes. METHODS AND RESULTS: A patient-level combined-analysis was conducted from a combined dataset that included four primary prevention ICD trials of patients with HF or severely reduced ejection fractions: Multicenter Automatic Defibrillator Implantation Trial I (MADIT I), MADIT II, Defibrillators in Non-Ischemic Cardiomyopathy Treatment Evaluation (DEFINITE), and Sudden Cardiac Death in Heart Failure Trial (SCD-HeFT). In total, 3359 patients were included in the analysis. The primary outcome of interest was all-cause death. Compared with patients without diabetes (n = 2363), patients with diabetes (n = 996) were older and had a higher burden of cardiovascular risk factors. During a median follow-up of 2.6 years, 437 patients without diabetes died (178 with ICD vs. 259 without) and 280 patients with diabetes died (128 with ICD vs. 152 without). ICDs were associated with a reduced risk of all-cause mortality among patients without diabetes [hazard ratio (HR) 0.56, 95% confidence interval (CI) 0.46-0.67] but not among patients with diabetes (HR 0.88, 95% CI 0.7-1.12; interaction P = 0.015). CONCLUSION: Among patients with HF and diabetes, primary prevention ICD in combination with medical therapy vs. medical therapy alone was not significantly associated with a reduced risk of all-cause death. Further studies are needed to evaluate the effectiveness of ICDs among patients with diabetes.
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 | 0,000 | 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 ».