OUTSMART HF
Notice bibliographique
Résumé
Background: Cardiac magnetic resonance (CMR) is a recommended imaging test for patients with heart failure (HF); however, there is a lack of evidence showing incremental benefit over transthoracic echocardiography. Our primary hypothesis was that routine use of CMR will yield more specific diagnoses in nonischemic HF. Our secondary hypothesis was that routine use of CMR will improve patient outcomes. Methods: Patients with nonischemic HF were randomized to routine versus selective CMR. Patients in the routine strategy underwent echocardiography and CMR, whereas those assigned to selective use underwent echocardiography with or without CMR according to the clinical presentation. HF causes was classified from the imaging data as well as by the treating physician at 3 months (primary outcome). Clinical events were collected for 12 months. Results: A total of 500 patients (344 male) with mean age 59±13 years were randomized. The routine and selective CMR strategies had similar rates of specific HF causes at 3 months clinical follow-up (44% versus 50%, respectively; P =0.22). At image interpretation, rates of specific HF causes were also not different between routine and selective CMR (34% versus 30%, respectively; P =0.34). However, 24% of patients in the selective group underwent a nonprotocol CMR. Patients with specific HF causes had more clinical events than those with nonspecific caused on the basis of imaging classification (19% versus 12%, respectively; P =0.02), but not on clinical assessment (15% versus 14%, respectively; P =0.49). Conclusions: In patients with nonischemic HF, routine CMR does not yield more specific HF causes on clinical assessment. Patients with specific HF causes from imaging had worse outcomes, whereas HF causes defined clinically did not. Registration: URL: https://www.clinicaltrials.gov ; Unique identifier: NCT01281384.
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 | 0,000 | 0,000 |
| 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 ».