Management and Outcomes of Heart Failure Patients with CKD: Experience from an Inter-Disciplinary Clinic
Notice bibliographique
Résumé
AIMS: CKD-HF patients suffer excess hospitalization and mortality, often under-treated with life-prolonging medications due to fear of worsening renal function and hyperkalaemia. Yet, role of inter-disciplinary working in improving therapy is unknown, which this study aims to investigate. METHODS AND RESULTS: Clinical, biochemical data, and medications at first and last clinic visit were obtained from patient records for 124 patients seen in kidney failure-heart failure clinic (23 March 2017 to 11 April 2019). Medication dose groups (none, low, and high dose), number of RAASi agents, and blood test results were compared between first and last visit in patients with at least two clinic visits (n = 97). Patient characteristics were age 78.5 years (IQR 68.1-84.4 years), male 67.7%, diabetes 51.6%, moderate (45.2%) vs. severe (39.5%) CKD, HF with reduced ejection fraction (HFrEF) (49.2%), follow-up 234 days (IQR 121-441 days). HFrEF was associated with increased risk of death (adjusted OR 4.49, 95% CI 1.43-14.05; P = 0.01). Distributions of patients according to number of RAASi agents they were on differed between first and last visit (P = 0.03). Dosage was increased in 25.9% for beta-blockers, 33.0% for ACEi/ARBs, and 17.5% for MRAs. Distributions of patients across MRA dosage groups was different (P = 0.03), with higher proportions on higher dosages at last visit, without significant changes in serum potassium or creatinine. Serum ferritin improved (131.0 vs. 267.5 μg/L; P < 0.001), and fewer patients had iron deficiency (56.7% vs. 26.8%; P = 0.002) at last visit compared to the first. CONCLUSIONS: This inter-disciplinary clinic improved guideline-recommended medication prescription, MRA dosages in CKD-HF patients without significant biochemical abnormality, and iron status. A prospectively designed study with medication titration protocol and defined patient-centred outcomes is needed to further assess effectiveness of such clinic.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».