A Biomarker-Based Score for Risk of Hospitalization for Heart Failure in Patients With Diabetes
Notice bibliographique
Résumé
OBJECTIVE Heart failure (HF) is an impactful complication of type 2 diabetes mellitus (T2DM). We aimed to develop and validate a risk score for hospitalization for HF (HHF) incorporating biomarkers and clinical factor(s) in patients with T2DM. RESEARCH DESIGN AND METHODS We derived a risk score for HHF using clinical data, high-sensitivity troponin T (hsTnT), and N-terminal prohormone of B-type natriuretic peptide (NT-proBNP) from 6,106 placebo-treated patients with T2DM in SAVOR-TIMI 53 (Saxagliptin Assessment of Vascular Outcomes Recorded in Patients with Diabetes Mellitus–Thrombolysis in Myocardial Infarction 53). Candidate variables were assessed using Cox regression. The strongest indicators of HHF risk were included in the score using integer weights. The score was externally validated in 7,251 placebo-treated patients in DECLARE-TIMI 58 (Dapagliflozin Effect on CardiovascuLAR Events–Thrombolysis in Myocardial Infarction 58). The effect of dapagliflozin on HHF was assessed by risk category in DECLARE-TIMI 58. RESULTS The strongest indicators of HHF risk were NT-proBNP, prior HF, and hsTnT (each P < 0.001). A risk score using these three variables identified a gradient of HHF risk (P-trend <0.001) in the derivation and validation cohorts, with C-indices of 0.87 (95% CI, 0.84–0.89) and 0.84 (0.81–0.86), respectively. Whereas there was no significant effect of dapagliflozin versus placebo on HHF in the low-risk group (hazard ratio [HR] 0.98 [95% CI 0.50–1.92]), dapagliflozin significantly reduced HHF in the intermediate-, high-, and very-high-risk groups (HR 0.64 [0.43–0.95], 0.63 [0.43–0.94], and 0.72 [0.54–0.96], respectively). Correspondingly, absolute risk reductions (95% CI) increased across these latter 3 groups: 1.0% (0.0–1.9), 3.0% (0.7–5.3), and 4.4% (−0.2 to 8.9) (P-trend <0.001). CONCLUSIONS We developed and validated a risk score for HHF in T2DM that incorporated NT-proBNP, prior HF, and hsTnT. The risk score identifies patients at higher risk of HHF who derive greater absolute benefit from dapagliflozin.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».