Discussion on Key Heart Failure Risk Factors in Patients With Type 2 Diabetes Mellitus
Notice bibliographique
Résumé
Henry Punzi, MD, from Trinity Hypertension & Metabolic Research Institute, Carrollton, TX; and the Department of Family Medicine UT Southwestern Medical Center Dallas, Texas; moderated the topic Discussion on Key Heart Failure Risk Factors in Patients With Type 2 Diabetes Mellitus with Peter A. McCullough, MD, MPH, from the Department of Internal Medicine at Baylor University Medical Center, Dallas, TX; and Subodh Verma, MD, from the Department of Cardiac Surgery, University of Toronto, Ontario, Canada, The discussion focused primarily on: 1. The link between type 2 diabetes mellitus and heart failure; 2. how heart failure affects patients with type 2 diabetes mellitus; 3. available heart failure risk prediction tools; 4. how to identify patients with type 2 diabetes mellitus at risk for heart failure; 5. screening for heart failure risks in patients with type 2 diabetes mellitus; and 6. the role of dapagliflozin in decreasing the risk for heart failure in patients with type 2 diabetes mellitus. [Published online ahead of print 2020 October (Med Roundtable Cardiovasc Ed. 2020 October.) ©2020 FoxP2Media, LLC This roundtable was supported by AstraZeneca. The discussants (authors) developed the discussion and reviewed the transcript for important intellectual content and approved the final version for publication. The authors maintained control of the discussion and the resulting content of this article.
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 | 0,007 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,010 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,003 |
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 ».