Abstract 11958: Predicting Heart Failure With Preserved and Reduced Ejection Fraction: The International Collaboration on Heart Failure Subtypes
Notice bibliographique
Résumé
Introduction: Heart failure (HF) is a major growing public health burden, and preventive strategies focused on at-risk individuals are needed. Recent initiatives have advocated for early prevention and aggressive treatment in ACC/AHA stage A/B HF, but prior HF risk prediction models remain poorly defined and validated. Moreover, risk factors for HF-specific subtypes have not yet been examined. Methods: We developed and validated separate HF risk prediction models for preserved and reduced ejection fraction (HFPEF, HFREF) in four community-based prospective cohorts (FHS, CHS, PREVEND, MESA). Fine-Gray proportional sub-distribution hazards models were used to account for competing risks (death, other HF subtype, and unclassified HF). FHS, CHS, and PREVEND samples were combined and a 2:1 random split was used for derivation and internal validation. MESA served for external validation. Results: There were 982 incident HFPEF and 909 HFREF events among 28,820 participants during follow-up (median 12 years). We created a HFPEF-specific model which included age, sex, systolic blood pressure, body mass index, hypertension treatment, and prior myocardial infarction; it had good discrimination in derivation (c-statistic 0.80, 95% CI 0.78-0.82) and validation samples (internal 0.79, 95% CI 0.77-0.82; external 0.76, 95% CI 0.71-0.80). The HFREF-specific model added smoking, left ventricular hypertrophy (LVH), left bundle branch block (LBBB), and diabetes; it had good discrimination in derivation (c-statistic 0.82, 95% CI 0.80-0.84) and validation samples (internal 0.80, 95% CI 0.78-0.83; external 0.76, 95% CI 0.71-0.80). Age had a greater effect on HFPEF risk, whereas male sex, LVH, LBBB, previous myocardial infarction, and smoking had greater effects on HFREF risk (P for comparison ≤ 0.02 for all). Conclusions: We describe and validate risk prediction models that are distinct for HF subtypes, and we demonstrate good discrimination in four community-based cohorts. Some risk factors differed in HFPEF vs HFREF, supporting distinct pathogenesis between HF subtypes. Studies are needed to examine the clinical utility of risk models, with the ultimate goal of targeted preventive strategies.
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 | 0,024 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».