Association between up‐titration of medical therapy and total hospitalizations and mortality in patients with recent worsening heart failure across the ejection fraction spectrum
Notice bibliographique
Résumé
BACKGROUND: The role of neurohormonal inhibition in chronic heart failure (HF) is well established. There are limited data on the effect of up-titration of renin-angiotensin inhibitors (RASi) and beta-blockers (BBs) on clinical outcomes of patients with worsening HF across the left ventricular ejection fraction (LVEF) spectrum. METHODS AND RESULTS: We analysed data from 2345 patients from BIOSTAT-CHF (80.9% LVEF <40%), who completed a 3-month up-titration period after recent worsening of HF. Patients were classified by achieved dose (% of recommended): ≥100%, 50-99%, 1-49%, and none. Recurrent event analysis using joint and shared frailty models was used to examine the association between RASi/BB dose and all-cause and HF hospitalizations. In the 21 months following up-titration, 512 patients died and 879 (37.5%) had ≥1 hospitalization. RASi up-titration was associated, incrementally, with reduced risk of all-cause hospitalization at all achieved dose levels compared to no treatment [hazard ratio (95% confidence interval): ≥100%: 0.60 (0.49-0.74), P < 0.001; 50-99%: 0.56 (0.46-0.68), P < 0.001; 1-49%: 0.71 (0.59-0.86), P < 0.001]. This association was consistent up to an LVEF of 49% (P < 0.001), and when considering only HF hospitalizations. Up-titration of BBs was associated with fewer all-cause hospitalizations only when LVEF was <40% (overall P < 0.001), but with more HF hospitalizations when LVEF was ≥50%. Up-titration of both RASi/BBs was associated with lower mortality in LVEF up to 49%. CONCLUSION: After recent worsening of HF, up-titration of RASi and BBs was associated with a better prognosis in patients with LVEF ≤49%. Up-titration of BBs was associated with a greater risk of HF hospitalization when LVEF was ≥50%.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».