Effects of dapagliflozin in DAPA-HF according to background heart failure therapy
Notice bibliographique
Résumé
AIMS: In the DAPA-HF trial, the SGLT2 inhibitor dapagliflozin reduced the risk of worsening heart failure (HF) and death in patients with HF and reduced ejection fraction. We examined whether this benefit was consistent in relation to background HF therapy. METHODS AND RESULTS: In this post hoc analysis, we examined the effect of study treatment in the following yes/no subgroups: diuretic, digoxin, mineralocorticoid receptor antagonist (MRA), sacubitril/valsartan, ivabradine, implanted cardioverter-defibrillating (ICD) device, and cardiac resynchronization therapy. We also examined the effect of study drug according to angiotensin-converting enzyme inhibitor/angiotensin receptor blocker dose, beta-blocker (BB) dose, and MRA (≥50% and <50% of target dose). We analysed the primary composite endpoint of cardiovascular death or a worsening HF event. Most randomized patients (n = 4744) were treated with a diuretic (84%), renin-angiotensin system (RAS) blocker (94%), and BB (96%); 52% of those taking a BB and 38% taking a RAS blocker were treated with ≥50% of the recommended dose. Overall, the dapagliflozin vs. placebo hazard ratio (HR) was 0.74 [95% confidence interval (CI) 0.65-0.85] for the primary composite endpoint (P < 0.0001). The effect of dapagliflozin was consistent across all subgroups examined: the HR ranged from 0.57 to 0.86 for primary endpoint, with no significant randomized treatment-by-subgroup interaction. For example, the HR in patients taking a RAS blocker, BB, and MRA at baseline was 0.72 (95% CI 0.61-0.86) compared with 0.77 (95% CI 0.63-0.94) in those not on all three of these treatments (P-interaction 0.64). CONCLUSION: The benefit of dapagliflozin was consistent regardless of background therapy for HF.
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 ».