Simple risk models to predict cardiovascular death in patients with stable coronary artery disease
Notice bibliographique
Résumé
AIMS: Risk estimation is important to motivate patients to adhere to treatment and to identify those in whom additional treatments may be warranted and expensive treatments might be most cost effective. Our aim was to develop a simple risk model based on readily available risk factors for patients with stable coronary artery disease (CAD). METHODS AND RESULTS: Models were developed in the CLARIFY registry of patients with stable CAD, first incorporating only simple clinical variables and then with the inclusion of assessments of left ventricular function, estimated glomerular filtration rate, and haemoglobin levels. The outcome of cardiovascular death over ∼5 years was analysed using a Cox proportional hazards model. Calibration of the models was assessed in an external study, the CORONOR registry of patients with stable coronary disease. We provide formulae for calculation of the risk score and simple integer points-based versions of the scores with associated look-up risk tables. Only the models based on simple clinical variables provided both good c-statistics (0.74 in CLARIFY and 0.80 or over in CORONOR), with no lack of calibration in the external dataset. CONCLUSION: Our preferred model based on 10 readily available variables [age, diabetes, smoking, heart failure (HF) symptom status and histories of atrial fibrillation or flutter, myocardial infarction, peripheral arterial disease, stroke, percutaneous coronary intervention, and hospitalization for HF] had good discriminatory power and fitted well in an external dataset. STUDY REGISTRATION: The CLARIFY registry is registered in the ISRCTN registry of clinical trials (ISRCTN43070564).
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 | 0,002 |
| 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 ».