MétaCan
Menu
Retour à la cohorte
Enregistrement W2970786427 · doi:10.1177/2054358119878719

The Association of Atrial Fibrillation and Ischemic Stroke in Patients on Hemodialysis: A Competing Risk Analysis

2019· article· en· W2970786427 sur OpenAlexaff
Mark Findlay, Rachael MacIsaac, Mary Joan MacLeod, Wendy Metcalfe, Manish M. Sood, Jamie P. Traynor, Jesse Dawson, Patrick B. Mark

Notice bibliographique

RevueCanadian Journal of Kidney Health and Disease · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueAtrial Fibrillation Management and Outcomes
Établissements canadiensOttawa Hospital
Organismes subventionnairesKidney Research UK
Mots-clésMedicineStroke (engine)Atrial fibrillationHazard ratioInternal medicinePopulationHemodialysisProportional hazards modelRisk factorCohortConfidence intervalEnd stage renal diseaseCardiologyEmergency medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Stroke is common in patients with end-stage renal disease (ESRD) treated with hemodialysis (HD) and associated with high mortality rate. In the general population, atrial fibrillation (AF) is a major risk factor for stroke and therapeutic anticoagulation is associated with risk reduction, whereas in ESRD the relationship is less clear. OBJECTIVE: The purpose of this study is to demonstrate the influence of AF on stroke rates and probability in those on HD following competing risk analyses. DESIGN: A national record linkage cohort study. SETTING: All renal and stroke units in Scotland, UK. PATIENTS: All patients with ESRD receiving HD within Scotland from 2005 to 2013 (follow-up to 2015). MEASUREMENTS: Demographic, clinical, and laboratory data were linked between the Scottish Renal Registry, Scottish Stroke Care Audit, and hospital discharge data. Stroke was defined as a fatal or nonfatal event and mortality derived from national records. METHODS: Associations for stroke were determined using competing risk models: the cause-specific hazards model and the Fine and Gray subdistribution hazards model accounting for the competing risk of death in models of all stroke, ischemic stroke, and first-ever stroke. RESULTS: Of 5502 patients treated with HD with 12 348.6-year follow-up, 363 (6.6%) experienced stroke. The stroke incidence rate was 26.7 per 1000 patient-years. Multivariable regression on the cause-specific hazard for stroke demonstrated age, hazard ratio (HR) (95% confidence interval [CI]) = 1.04 (1.03-1.05); AF, HR (95% CI) = 1.88 (1.25-2.83); prior stroke, HR (95% CI) = 2.29 (1.48-3.54), and diabetes, HR (95% CI) = 1.92 (1.45-2.53); serum phosphate, HR (95% CI) = 2.15 (1.56-2.99); lower body weight, HR (95% CI) = 0.99 (0.98-1.00); lower hemoglobin, HR (95% CI) = 0.88 (0.77-0.99); and systolic blood pressure (BP), HR (95% CI) = 1.01 (1.00-1.02), to be associated with an increased stroke rate. In contrast, the subdistribution HRs obtained following Fine and Gray regression demonstrated that AF, weight, and hemoglobin were not associated with stroke risk. In both models, AF was significantly associated with nonstroke death. LIMITATIONS: Our analyses derive from retrospective data sets and thus can only describe association not causation. Data on anticoagulant use are not available. CONCLUSIONS: The incidence of stroke in HD patients is high. The competing risk of "prestroke" mortality affects the relationship between AF and risk of future stroke. Trial designs for interventions to reduce stroke risk in HD patients, such as anticoagulation for AF, should take account of competing risks affecting associations between risk factors and outcomes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,078

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,005
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,269
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Kidney Health and DiseaseMême sujetAtrial Fibrillation Management and OutcomesTravaux en français237 207