Empagliflozin in Heart Failure With Predicted Preserved Versus Reduced Ejection Fraction: Data From the EMPA-REG OUTCOME Trial
Notice bibliographique
Résumé
BACKGROUND: In the EMPA-REG OUTCOME trial, ejection fraction (EF) data were not collected. In the subpopulation with heart failure (HF), we applied a new predictive model for EF to determine the effects of empagliflozin in HF with predicted reduced (HFrEF) vs preserved (HFpEF) EF vs no HF. METHODS AND RESULTS: We applied a validated EF predictive model based on patient baseline characteristics and treatments to categorize patients with HF as being likely to have HF with mid-range EF (HFmrEF)/HFrEF (EF <50%) or HFpEF (EF ≥50%). Cox regression was used to assess the effect of empagliflozin vs placebo on cardiovascular death/HF hospitalization (HHF), cardiovascular and all-cause mortality, and HHF in patients with predicted HFpEF, HFmrEF/HFrEF and no HF. Of 7001 EMPA-REG OUTCOME patients with data available for this analysis, 6314 (90%) had no history of HF. Of the 687 with history of HF, 479 (69.7%) were predicted to have HFmrEF/HFrEF and 208 (30.3%) to have HFpEF. Empagliflozin's treatment effect was consistent in predicted HFpEF, HFmrEF/HFrEF and no-HF for each outcome (HR [95% CI] for the primary outcome 0.60 [0.31-1.17], 0.79 [0.51-1.23], and 0.63 [0.50-0.78], respectively; P interaction = 0.62). CONCLUSIONS: In EMPA-REG OUTCOME, one-third of the patients with HF had predicted HFpEF. The benefits of empagliflozin on HF and mortality outcomes were consistent in nonHF, predicted HFpEF and HFmrEF/HFrEF.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».