Incidence and Predictors of Atrial Fibrillation Progression
Notice bibliographique
Résumé
Background The incidence and predictors of atrial fibrillation (AF) progression are currently not well defined, and clinical AF progression partly overlaps with rhythm control interventions (RCIs). Methods and Results We assessed AF type and intercurrent RCIs during yearly follow-ups in 2869 prospectively followed patients with paroxysmal or persistent AF. Clinical AF progression was defined as progression from paroxysmal to nonparoxysmal or from persistent to permanent AF. An RCI was defined as pulmonary vein isolation, electrical cardioversion, or new treatment with amiodarone. During a median follow-up of 3 years, the incidence of clinical AF progression was 5.2 per 100 patient-years, and 10.9 per 100 patient-years for any RCI. Significant predictors for AF progression were body mass index (hazard ratio [HR], 1.03; 95% CI, 1.01-1.05), heart rate (HR per 5 beats/min increase, 1.05; 95% CI, 1.02-1.08), age (HR per 5-year increase 1.19; 95% CI, 1.13-1.27), systolic blood pressure (HR per 5 mm Hg increase, 1.03; 95% CI, 1.00-1.05), history of hyperthyroidism (HR, 1.71; 95% CI, 1.16-2.52), stroke (HR, 1.50; 95% CI, 1.19-1.88), and heart failure (HR, 1.69; 95% CI, 1.34-2.13). Regular physical activity (HR, 0.80; 95% CI, 0.66-0.98) and previous pulmonary vein isolation (HR, 0.69; 95% CI, 0.53-0.90) showed an inverse association. Significant predictive factors for RCIs were physical activity (HR, 1.42; 95% CI, 1.20-1.68), AF-related symptoms (HR, 1.84; 95% CI, 1.47-2.30), age (HR per 5-year increase, 0.88; 95% CI, 0.85-0.92), and paroxysmal AF (HR, 0.61; 95% CI, 0.51-0.73). Conclusions Cardiovascular risk factors and comorbidities were key predictors of clinical AF progression. A healthy lifestyle may therefore reduce the risk of AF progression.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».