Abstract 165: Temporal Trends in FFR Utilization in Patients Undergoing Coronary Angiography: A Population Based Study
Notice bibliographique
Résumé
Background: Invasive fractional flow reserve (FFR) has emerged as an important tool to identify a subset of patients in whom coronary revascularization may be beneficial. Our objective was to evaluate temporal trends in FFR utilization. Methods: In this population-based study, we identified all coronary angiograms in the CorHealth Ontario Cardiac Registry between January 1 st , 2010 to December 31 st , 2015. The primary and secondary outcomes were the age-sex adjusted monthly rate of FFR per 100,000 population and per 100 angiograms respectively. Piecewise regression analysis was used to evaluate the temporal trends in FFR utilization, for the entire cohort, and then stratified by indication (stable coronary disease (SCAD) versus acute coronary syndrome (ACS)). Results: The study cohort included 379,688 angiograms, of which 122,571 were for SCAD (32%), and 134,769 were for ACS (35%). FFR was performed in 3.2% of all angiograms (4.6% in SCAD; 2.7% in ACS). Monthly age-sex adjusted FFR utilization rates increased significantly over the study period, from 0.4 to 2.1 per 1000,000 people/month. The monthly FFR utilization rate per 100 angiograms increased from 1.3 to 4.8 per 100 angiograms/month; however, the proportion of positive FFR results was relatively constant at 27%. There was a more dramatic increase in the use of FFR in the SCAD (1.4 to 7.5 per 100 angiograms/month) compared to the ACS population (1.3 to 3.4 per 100 angiograms/month). Conclusions: Over time, there was a 5-fold increase in the use of FFR in patients across Ontario, which was predominantly driven by use in patients with SCAD. Case selection for FFR use was relatively unchanged with approximately a quarter of FFR cases being positive over time.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».