Optimizing Cardiovascular Health in Patients With Cancer: A Practical Review of Risk Assessment, Monitoring, and Prevention of Cancer Treatment–Related Cardiovascular Toxicity
Notice bibliographique
Résumé
Advances in cancer screening and improved treatment approaches have led to an increase in survivorship and, consequently, recognition of an association between cancer treatments and the development of cardiovascular complications. In addition, as the population becomes proportionally older, comorbid cardiovascular risk factors are more prevalent in the population and compound the risk of developing cancer treatment-related cardiovascular toxicity. Cardio-oncology has emerged as a new subspecialty of medicine that provides a multidisciplinary approach, bringing together oncologists, cardiologists, and allied health care providers who are tasked with optimizing the cardiovascular health of patients exposed to potentially cardiotoxic cancer therapy. Using a case-based approach, practical advice on how to identify, monitor, and treat patients with cancer who are at risk for developing cancer treatment-related cardiovascular dysfunction is discussed. Cardiovascular risk factors (e.g., age, hypertension, diabetes) and cancer therapies (chemotherapy, targeted therapy, radiation) associated with cardiovascular toxicity are presented. Current cardiac monitoring strategies such as two- and three-dimensional echocardiography, cardiac MRI, and biomarkers (troponin and brain natriuretic peptide [BNP]) are discussed. Last, the current literature on pharmacologic (e.g., angiotensin-converting enzyme inhibitors, β-blockers, statins) and lifestyle (diet and exercise) strategies to mitigate cardiovascular toxicity during and following completion of cancer therapy are reviewed.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,003 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».