Heart Failure Spending Function: An Investment Framework for Sequencing and Intensification of Guideline-Directed Medical Therapies
Notice bibliographique
Résumé
Heart failure with reduced ejection fraction is managed with increasing numbers of guideline-directed medical therapies (GDMT). Benefits tend to be additive. Burdens can also be additive. We propose a heart failure spending function as a conceptual framework for tailored intensification of GDMT that maximizes therapeutic opportunity while limiting adverse events and patient burden. Each patient is conceptualized to have reserve in physiological and psychosocial domains, which can be spent for a future return on investment. Key domains are blood pressure, heart rate, serum creatinine, potassium, and out-of-pocket costs. For each patient, GDMT should be initiated and intensified in a sequence that prioritizes medications with the greatest expected cardiac benefit while drawing on areas where the patient has ample reserves. When reserve is underspent, patients fail to gain the full benefit of GDMT. Conversely, when a reserve is fully spent, addition of new drugs or higher doses that draw upon a domain will lead to patient harm. The benefit of multiple agents drawing upon varied physiological domains should be balanced against cost and complexity. Thresholds for overspending are explored, as are mechanisms for implementing these concepts into routine care, but further health care delivery research is needed to validate and refine clinical use of the spending function. The heart failure spending function also suggests how newer therapies may be considered in terms of relative value, prioritizing agents that draw on different spending domains from existing GDMT.
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) | 0,000 | 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 | 0,000 |
| 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 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 ».