April 2019 at a Glance: Prediction of Heart Failure, Left Atrial Function, Cardio-Oncology
Notice bibliographique
Résumé
Obesity is a well known risk factor for heart failure (HF) development.1 Kokkinos et al.2 assessed the interaction between body mass index and cardiorespiratory fitness in 20 254 US male veterans, who underwent maximal exercise treadmill testing between 1987 and 2017. During a median follow-up of 13.4 years, there were 2979 HF events. Obesity lost its effect as a risk factor for HF after adjustment for fitness level. In contrast, the relation between fitness level and risk of HF remained significant across all the body mass index categories with lower hazard ratios [HRs (95% confidence intervals, CI) 0.37 (0.30–0.47), 0.37 (0.28–0.40) and 0.27 (0.22–0.34)] for high-fit individuals within normal weight, overweight and obese categories, respectively. The role of serum amino-terminal pro-B-type-natriuretic peptide (NT-proBNP) levels for the prediction of HF development was investigated in 3482 subjects aged ≥ 60 years at risk for HF development. HF was diagnosed in 162 participants during a median follow-up of 4.5 years after enrolment. Baseline values of NT-proBNP plasma levels alone had a similar predictive value compared to a multivariable clinical model. NT-proBNP cut-points of 11, 16, and 25 pmol/L for individuals aged 60–69, 70–79, and ≥ 80 years, respectively, achieved sensitivities > 75% and specificities of 47–69% for 5-year prediction of total HF in men and women in all age subgroups.3
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,057 | 0,021 |
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 ».