Re: Association of Inpatient Use of Angiotensin-converting Enzyme Inhibitors and Angiotensin II Receptor Blockers with Mortality Among Patients with Hypertension Hospitalized with COVID-19
Notice bibliographique
Résumé
To the Editor: We read with interest the study by Zhang et al.,1 examining the association between inpatient use of angiotensin-converting enzyme inhibitors (ACEIs) and angiotensin II receptor blockers (ARBs) and mortality in patients hospitalized with coronavirus disease 2019 (COVID-19), published in Circulation Research. The use of ACEIs or ARBs was associated with an important 58% risk reduction in all-cause mortality (hazard ratio, 0.42; 95% confidence interval, 0.19, 0.92). The association was even stronger with the use of propensity score models, resulting in a risk reduction of almost 70%. We believe that these remarkable effects are mainly driven by immortal time bias. In this study, patients were deemed exposed to ACEIs or ARBs if they had received a prescription at any time during the hospitalization period. In contrast, patients who did not receive these drugs during the hospitalization period were categorized as nonusers. This method of identifying users and nonusers can introduce immortal time bias.2 Indeed, by design, ACEI or ARB users had to survive from the date of admission to the date of an ACEI or ARB prescription to be categorized as a user. This time period was both misclassified as exposed (instead of unexposed) and immortal, as it was impossible for patients to die during this time span. In contrast, it was possible for nonusers to die at any point during the hospitalization period. This is particularly evident in Zhang et al.’s1 Figures 2A and 2B, where there were no deaths in the first 7 days of follow-up for the ACEIs/ARBs group, whereas deaths occurred as early as the second day after admission in the non-user group. Given the maximum 28-day follow-up, even a small amount of misclassified exposed person–time could lead to important bias, as was shown previously with β-blockers for patients hospitalized for chronic obstructive pulmonary disease.3 The authors also compared the risk of death among users of ACEIs/ARBs versus users of other antihypertensive drugs. In this analysis, the authors first identified ACEI/ARB users and then users of other antihypertensive drugs. This hierarchical exposure definition introduced immortal time bias,4 as the time between hospital admission and first ACEI/ARB prescription was misclassified as exposed and immortal because no events could have occurred during that period. In summary, although residual confounding is always a concern in observational studies, immortal time bias can introduce severely skewed results, though it can be avoided using proper methods of analysis.2–4 It would be informative to repeat the analyses by modeling ACEI or ARB exposure using time-dependent methods.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | high |
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 | 0,006 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,005 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».