MétaCan
Menu
Retour à la cohorte
Enregistrement W3159932937 · doi:10.1002/ehf2.13344

Clinical Phenogroups are More Effective than Left Ventricular Ejection Fraction Categories in Stratifying Heart Failure Outcomes

2021· article· en· W3159932937 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueESC Heart Failure · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueHeart Failure Treatment and Management
Établissements canadiensHamilton Health SciencesImpactUniversity of TorontoPopulation Health Research InstituteMcMaster University
Organismes subventionnairesNational Center for Advancing Translational SciencesOntario Ministry of Health and Long-Term CareMcMaster UniversityCanadian Institutes of Health ResearchHamilton Health Sciences
Mots-clésEjection fractionMedicineHeart failureInternal medicineHazard ratioCardiologyCOPDAtrial fibrillationComorbidityConfidence interval

Résumé

récupéré en direct d'OpenAlex

AIMS: Heart failure (HF) guidelines place patients into 3 discrete groups according to left ventricular ejection fraction (LVEF): reduced (<40%), mid-range (40-49%), and preserved LVEF (≥50%). We assessed whether clinical phenogroups offer better prognostication than LVEF. METHODS AND RESULTS: This was a sub-study of the Patient-Centered Care Transitions in HF trial. We analysed baseline characteristics of hospitalized patients in whom LVEF was recorded. We used unsupervised machine learning to identify clinical phenogroups and, thereafter, determined associations between phenogroups and outcomes. Primary outcome was the composite of all-cause death or rehospitalization at 6 and 12 months. Secondary outcome was the composite cardiovascular death or HF rehospitalization at 6 and 12 months. Cluster analysis of 1693 patients revealed six discrete phenogroups, each characterized by a predominant comorbidity: coronary heart disease, valvular heart disease, atrial fibrillation (AF), sleep apnoea, chronic obstructive pulmonary disease (COPD), or few comorbidities. Phenogroups were LVEF independent, with each phenogroup encompassing a wide range of LVEFs. For the primary composite outcome at 6 months, the hazard ratios (HRs) for phenogroups ranged from 1.25 [95% confidence interval (CI) 1.00-1.58 for AF] to 2.04 (95% CI 1.62-2.57 for COPD) (log-rank P < 0.001); and at 12 months, the HRs for phenogroups ranged from 1.15 (95% CI 0.94-1.41 for AF) to 1.87 (95% 1.52-3.20 for COPD) (P < 0.002). LVEF-based classifications did not separate patients into different risk categories for the primary outcomes at 6 months (P = 0.69) and 12 months (P = 0.30). Phenogroups also stratified risk of the secondary composite outcome at 6 and 12 months more effectively than LVEF. CONCLUSION: Among patients hospitalized for HF, clinical phenotypes generated by unsupervised machine learning provided greater prognostic information for a composite of clinical endpoints at 6 and 12 months compared with LVEF-based categories. TRIAL REGISTRATION: ClinicalTrials.gov Identifier: NCT02112227.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,197
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,321
Écart entre enseignants0,302 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle