MétaCan
Menu
Retour à la cohorte
Enregistrement W3045989635 · doi:10.1161/circheartfailure.119.006414

Obese-Inflammatory Phenotypes in Heart Failure With Preserved Ejection Fraction

2020· article· en· W3045989635 sur OpenAlex
Michael S. Sabbah, Ahmed Fayyaz, Simon de Denus, G. Michael Felker, Barry A. Borlaug, Surendra Dasari, Rickey E. Carter, Margaret M. Redfield

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueCirculation Heart Failure · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiovascular Function and Risk Factors
Établissements canadiensUniversité de MontréalMontreal Heart Institute
Organismes subventionnairesNational Center for Advancing Translational SciencesNational Institute of Diabetes and Digestive and Kidney DiseasesNational Heart, Lung, and Blood InstituteNational Institutes of HealthFondation Institut de Cardiologie de MontréalUniversité de MontréalInstitut de Cardiologie de MontréalMayo Clinic
Mots-clésMedicineHeart failure with preserved ejection fractionHeart failureInternal medicineNatriuretic peptideEjection fractionInflammationCardiologyFibrosisPhenotypeEndocrinologyBioinformaticsBiology

Résumé

récupéré en direct d'OpenAlex

Background: Comorbidity-driven microvascular inflammation is posited as a unifying pathophysiologic mechanism for heart failure with preserved ejection fraction (HFpEF). Obesity is proinflammatory and common in HFpEF. We hypothesized that unique obesity-inflammation HFpEF phenotypes exist and are associated with differences in clinical features, fibrosis biomarkers, and functional performance. Methods: Patients (n=301) from 3 HFpEF clinical trials were studied. Unsupervised machine learning (hierarchical clustering) with obese status and 13 inflammatory biomarkers as input variables was performed. Associations of clusters with HFpEF severity and fibrosis biomarkers (PIIINP [procollagen III N-terminal peptide], CITP [C-telopeptide for type I collagen], IGFBP7 [insulin-like growth factor-binding protein-7], and GAL-3 [galectin-3]) were assessed. Results: Hierarchical clustering revealed 3 phenotypes: pan-inflammatory (n=129; 64% obese), noninflammatory (n=83; 55% obese), and obese high CRP (C-reactive protein; n=89; 98% obese). The pan-inflammatory phenotype had more comorbidities and heart failure hospitalizations; higher left atrial volume, NT-proBNP (N-terminal pro-B-type natriuretic peptide), and fibrosis biomarkers; and lower glomerular filtration rate, peak oxygen consumption, 6-minute walk distance, and active hours/day ( P <0.05 for all). The noninflammatory phenotype had the most favorable values for all measures. The obese high CRP phenotype resembled the noninflammatory phenotype except for isolated elevation of CRP and lower functional performance. Hierarchical cluster assignment was independent of CRP genotype combinations that alter CRP levels and more biologically plausible than other clustering approaches. Multiple traditional analytic techniques confirmed and extended the hierarchical clustering findings. Conclusions: Unique obesity-inflammation phenotypes exist in HFpEF and are associated with differences in comorbidity burden, HFpEF severity, and fibrosis. These data support comorbidity-driven microvascular inflammation as a pathophysiologic mechanism for many but not all HFpEF 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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,256
Score d'incertitude au seuil0,769

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,238
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle