Predictability of Inpatient Mortality of Different Comorbidities in Both Types of Acute Decompensated Heart Failure: Analysis of National Inpatient Sample
Notice bibliographique
Résumé
BACKGROUND: Several prediction models have been proposed to assess the short outcomes and in-hospital mortality among patients with heart failure (HF). Several variables were used in common among those models. We sought to focus on other, yet important risk factors that can predict outcomes. We also sought to stratify patients based on ejection fraction, matching both groups with different risk factors. METHODS: We conducted a retrospective cohort study utilizing the Healthcare Cost and Utilization Project National Inpatient Sample (HCUP-NIS) 2016 database. RESULTS: There were totally 116,189 admissions for acute decompensated heart failure (ADHF). Of these, 50.9% were for heart failure with reduced ejection fraction (HFrEF) group (n = 59,195), and 49.1% were for heart failure with preserved ejection faction (HFpEF) group (n = 56,994). Overall, in-hospital mortality was 2.5% of admissions for ADHF (n = 2,869). When stratified by HF types, admissions for HFrEF had higher mortality rate (2.7%, n = 1,594) in comparison to admissions for HFpEF (2.2%, n = 1,275) (P < 0.001). Significantly associated variables in univariate analyses were age, race, hypertension, diabetes mellitus, chronic kidney disease (CKD), atrial fibrillation/flutter, obesity, and chronic ischemic heart disease (IHD), while gender and chronic obstructive pulmonary disease (COPD) did not achieve statistical significance (P > 0.1). CONCLUSIONS: To our knowledge, this is the first study to stratify HF patients based on ejection fraction and utilizing different predictors and in-hospital mortality. These and other data support the need for future research to utilize these predictors to create more accurate models in the future.
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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».