A comparison of four risk models for the prediction of cardiovascular complications in patients with a history of atrial fibrillation undergoing non‐cardiac surgery
Notice bibliographique
Résumé
Summary It is unclear how best to predict peri‐operative cardiovascular risk in patients with atrial fibrillation undergoing non‐cardiac surgery. This study examined the accuracy of the revised cardiac risk index and three atrial fibrillation thrombo‐embolic risk models for predicting 30‐day cardiovascular events after non‐cardiac surgery in patients with a pre‐operative history of atrial fibrillation. We conducted a prospective cohort study in 28 centres from 2007 to 2013 of 40,004 patients ≥ 45 years of age undergoing inpatient non‐cardiac surgery who were followed until 30 days after surgery for cardiovascular events (defined as myocardial injury, heart failure, stroke, resuscitated cardiac arrest or cardiovascular death). The 2088 patients with a pre‐operative history of atrial fibrillation were at higher risk of peri‐operative cardiovascular events compared with the 34,830 patients without a history of atrial fibrillation (29% vs. 13%, respectively, adjusted odds ratio 1.30 (95% CI 1.17–1.45). Compared with the revised cardiac risk index (c‐index 0.60), all atrial fibrillation thrombo‐embolic risk scores were significantly better at predicting peri‐operative cardiovascular events: CHADS 2 (c‐index 0.62); CHA 2 DS 2 ‐ VAS c (c‐index 0.63); and R 2 CHADS 2 (c‐index 0.65), respectively. Although the three thrombo‐embolic risk prediction models were significantly better than the revised cardiac risk index for prediction of peri‐operative cardiovascular events, none of the four models exhibited strong discrimination metrics. There remains a need to develop a better peri‐operative risk prediction model.
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 | 0,000 | 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 ».