Digoxin and clinical outcomes in the Global Rheumatic Heart Disease Registry
Notice bibliographique
Résumé
OBJECTIVE: Digoxin is widely used in patients with rheumatic heart disease (RHD) despite a lack of data on its impact on clinical outcomes. We aimed to determine the association of digoxin use on clinical outcomes in patients with RHD. METHODS: We performed a retrospective analysis of the association of digoxin use with mortality at 2 years in a large RHD registry. Secondary outcomes were recurrent heart failure (HF) and hospitalisation for any cause. We assessed associations using multivariable logistic regression in the entire cohort and in subgroups of patients with atrial fibrillation (AF) and HF. We also estimated average treatment effects from propensity-adjusted analyses using inverse probability treatment weighting. RESULTS: Information on digoxin use at baseline was available for 98.7% (3298/3343) of patients. In the overall population, digoxin was significantly associated with mortality (OR 1.63, 95% CI 1.30 to 2.04, p<0.0001) and recurrent HF (OR 1.48, 95% CI 1.07 to 2.04, p=0.019). On propensity-weighted analyses, this effect was markedly attenuated (OR 1.05, 95% CI 1.01 to 1.09, p=0.005). Patients in sinus rhythm without HF had a higher propensity-adjusted odds of death with digoxin use (OR 1.06, 95% CI 1.01 to 1.12, p=0.015), but those with both AF and HF had lower mortality (OR 0.88, 95% CI 0.80 to 0.98, p=0.019). CONCLUSION: Digoxin use is associated with higher mortality in patients with RHD, but this is greatly attenuated on propensity adjustment, indicating the presence of substantial treatment bias. The adjusted estimates may therefore not be reliable, and large randomised trials are needed to determine the true effect of digoxin in patients with RHD.
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) | 0,000 | 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 ».