August 2020 at a Glance: Focus on Neurohormonal Antagonists and Electrolytes
Notice bibliographique
Résumé
Heart failure (HF) has a worldwide diffusion with high mortality and morbidity.[1][2][3] Groenewegen et al. 4 provide an updated overview of the epidemiology of HF. PathophysiologyMicroRNAs (miRNAs) are small non-coding RNAs potentially useful for the diagnosis and prognosis of HF. [5][6][7] They may also be useful for better understanding HF pathophysiology.Garg et al. 8 investigated the mechanisms of aldosterone-induced cardiac remodelling.After screening 2555 miRNAs, miR-181 was found to be a potential regulator of the aldosterone-mineralocorticoid receptor pathway with potential therapeutic implications. Electrolyte abnormalities PotassiumCooper et al. 9 showed a U-shaped association between serum potassium levels and mortality risk in 13 015 patients with HF and reduced ejection fraction (HFrEF) from the Swedish HF Registry.A potassium value of 4.2 mmol/L was associated with the lowest risk of death at 30 days, 12 months, and at long term.Hyperkalaemia is a major cause of underuse of reninangiotensin-aldosterone system inhibitors (RAASi).10,11 An analysis from the European Society of Cardiology (ESC)-HF Association (HFA) EURObservational Registry Programme (EORP) HF Long-Term Registry confirmed that hyperkalaemia is associated with mineralocorticoid receptor antagonist (MRA) non-prescription or discontinuation and poorer survival.At multivariable analyses, adjusting for RAASi discontinuation, RAASi discontinuation itself, but not hyperkalaemia, was an independent predictor of poorer outcomes.This suggests that the relation with outcomes of hyperkalaemia is mediated by RASSi discontinuation.12 Rossignol et al. 13 developed updated risk models for prediction of cardiovascular death, HF hospitalizations and all-cause death in HFrEF patients.In addition to traditional clinical variables, these models included time-dependent variables such as serum potassium, glomerular filtration rate and anaemia, as well as treatment with diuretics, MRA and beta-blockers.The addition of . . . . . . . . . . . . . . . . . . . . . . . . .
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,422 | 0,248 |
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 ».