The Burden of Non-Cardiac Comorbidities and Association with Clinical Outcomes in an Acute Heart Failure Trial – Insights from ASCEND-HF
Notice bibliographique
Résumé
AIMS: Non-cardiac comorbidities are highly prevalent in patients with heart failure (HF). Our objective was to define the association between non-cardiac comorbidity burden and clinical outcomes, costs of care, and length of stay within a large randomized trial of acute HF patients. METHODS AND RESULTS: Patients with complete medical history for the following comorbidities were included: diabetes mellitus, chronic obstructive pulmonary disease, chronic liver disease, history of cancer within the last 5 years, chronic renal disease (baseline serum creatinine >3.0 mg/mL), current smoking, alcohol abuse, depression, anaemia, peripheral arterial disease, and cerebrovascular disease. Patients were classified by overall burden of non-cardiac comorbidities (0, 1, 2, 3, and 4+). Hierarchical generalized linear models were used to assess associations between comorbidity burden and 30-day all-cause death or HF hospitalization and 180-day all-cause death in addition to costs of care and length of stay. A total of 6945 patients were included in the final analysis. Mean comorbidity number was 2.2 (± 1.34). Patients with 4+ comorbidities had higher rates of 30-day all-cause death/HF hospitalization as compared with patients with no comorbidities [odds ratio (OR) 3.32, 95% confidence interval (CI) 1.61-6.84; P < 0.01]. Similar results were seen with respect to 180-day death (OR 2.13, 95% CI 1.33-3.43; P < 0.01). Higher comorbidity burden was associated with higher 180-day costs of care and length of stay. CONCLUSIONS: Higher comorbidity burden is associated with poor clinical outcomes, higher costs of care, and extended length of stay. Further studies are needed to define the impact of comorbidity management programmes on outcomes for HF patients.
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 ».