The hospital frailty risk score in patients with heart failure is strongly associated with outcomes but less so with pharmacotherapy
Notice bibliographique
Résumé
BACKGROUND: Although frailty is known to be an important prognostic factor in heart failure (HF), HF risk-adjustment models do not incorporate frailty measures and the interplay between frailty, age and pharmacotherapy is unclear. OBJECTIVES: To explore the relationships between frailty, pharmacotherapy and outcomes in heart failure (HF). METHODS: Retrospective cohort study of all adults in Alberta, Canada hospitalized for the first time for HF between 2004 and 2016. Frailty was defined using the Hospital Frailty Risk Score (HFRS). RESULTS: In 26 626 patients (mean age 77.4 years), the 8887 (33.4%) defined as frail (HFRS ≥ 5) were older, had higher Charlson scores and more prior emergency department visits or hospitalizations. The HFRS and the Charlson Score were only weakly correlated (r = 0.35). Whilst more common in older patients (41.4% of patients 80 or older), frailty was present in 22.4% of patients younger than 65. Frail patients had longer lengths of stay and worse outcomes postdischarge, but adding the HFRS to age, sex and Charlson score did not improve prediction of events (c-statistics 0.69 for 30-day mortality after admission, and 0.54 for 30-day readmission/ED visit/or death after discharge). Frail patients younger than 65 were significantly more likely than nonfrail patients 80 or older to be prescribed high-dose evidence-based HF therapies (27.1% vs. 22.2%, P = 0.003). CONCLUSION: Although the HFRS reflects aspects of frailty that patient age and Charlson scores do not, the addition of the HFRS to standard risk prediction equations provides little additional information. Prescribing practices correlate more with patient age than frailty status.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».