Predictors of NOAC versus VKA use for stroke prevention in patients with newly diagnosed atrial fibrillation: Results from GARFIELD-AF
Notice bibliographique
Résumé
INTRODUCTION: A principal aim of the Global Anticoagulant Registry in the FIELD-Atrial Fibrillation (GARFIELD-AF) was to document changes in treatment practice for patients with newly diagnosed atrial fibrillation during an era when non-vitamin K antagonist oral anticoagulants (NOACs) were becoming more widely adopted. In these analyses, the key factors which determined the choice between NOACs and vitamin K antagonists (VKAs) are explored. METHODS: Logistic least absolute shrinkage and selection operator regression determined predictors of NOAC and VKA use. Data were collected from 24,137 patients who were initiated on AC ± antiplatelet (AP) therapy (NOAC [51.4%] or VKA [48.6%]) between April 2013 and August 2016. RESULTS: The most significant predictors of AC therapy were country, enrolment year, care setting at diagnosis, AF type, concomitant AP, and kidney disease. Patients enrolled in emergency care or in the outpatient setting were more likely to receive a NOAC than those enrolled in hospital (OR 1.16 [95% CI: 1.04-1.30], OR: 1.15 [95% CI: 1.05-1.25], respectively). NOAC prescribing seemed to be favored in lower-risk groups, namely, patients with paroxysmal AF, normotensive patients, and those with moderate alcohol consumption, but also the elderly and patients with acute coronary syndrome. By contrast, VKAs were preferentially used in patients with permanent AF, moderate to severe kidney disease, heart failure, vascular disease, and diabetes and with concomitant AP. CONCLUSION: GARFIELD-AF data highlight marked heterogeneity in stroke prevention strategies globally. Physicians are adopting an individualized approach to stroke prevention where NOACs are favored in patients with a lower stroke risk but also in the elderly and patients with acute coronary syndrome.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».