Developing and validating models to predict sudden death and pump failure death in patients with heart failure and preserved ejection fraction
Notice bibliographique
Résumé
BACKGROUND: Sudden death (SD) and pump failure death (PFD) are leading modes of death in heart failure and preserved ejection fraction (HFpEF). Risk stratification for mode-specific death may aid in patient enrichment for new device trials in HFpEF. METHODS: Models were derived in 4116 patients in the Irbesartan in Heart Failure with Preserved Ejection Fraction trial (I-Preserve), using competing risks regression analysis. A series of models were built in a stepwise manner, and were validated in the Candesartan in Heart failure: Assessment of Reduction in Mortality and morbidity (CHARM)-Preserved and Treatment of Preserved Cardiac Function Heart Failure with an Aldosterone Antagonist (TOPCAT) trials. RESULTS: The clinical model for SD included older age, men, lower LVEF, higher heart rate, history of diabetes or myocardial infarction, and HF hospitalization within previous 6 months, all of which were associated with a higher SD risk. The clinical model predicting PFD included older age, men, lower LVEF or diastolic blood pressure, higher heart rate, and history of diabetes or atrial fibrillation, all for a higher PFD risk, and dyslipidaemia for a lower risk of PFD. In each model, the observed and predicted incidences were similar in each risk subgroup, suggesting good calibration. Model discrimination was good for SD and excellent for PFD with Harrell's C of 0.71 (95% CI 0.68-0.75) and 0.78 (95% CI 0.75-0.82), respectively. Both models were robust in external validation. Adding ECG and biochemical parameters, model performance improved little in the derivation cohort but decreased in validation. Including NT-proBNP substantially increased discrimination of the SD model, and simplified the PFD model with marginal increase in discrimination. CONCLUSIONS: The clinical models can predict risks for SD and PFD separately with good discrimination and calibration in HFpEF and are robust in external validation. Adding NT-proBNP further improved model performance. These models may help to identify high-risk individuals for device intervention in future trials. CLINICAL TRIAL REGISTRATION: I-Preserve: ClinicalTrials.gov NCT00095238; TOPCAT: ClinicalTrials.gov NCT00094302; CHARM-Preserved: ClinicalTrials.gov NCT00634712.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».