Abstract 17044: Gender Discrepancies in Management and Outcome of Hospitalized Heart Failure Patients
Notice bibliographique
Résumé
Introduction: The incidence of heart failure (HF), particularly in women, is increasing rapidly. While earlier reports indicated that HF mortality was higher in men compared to women, recent studies have suggested higher HF mortality in women. The cause of this changing pattern is not well described. The purpose of this study was to explore different clinical factors and management patterns that could contribute to this. Methods: We conducted a retrospective chart review study of all the patients admitted to a tertiary academic hospital (Royal University Hospital, University of Saskatchewan, Canada) with a diagnosis of HF in 2015, with follow up analysis up to February 20, 2018. Results: In total, 379 patients were admitted with HF, of which 166 (43.8%) were women. Overall, the most important predictors of mortality on multivariate analysis include admission to non-cardiology services (NCS, p < 0.0001), age on admission (p<0.001), readmission (p=0.001), and haemoglobin on admission (P=0.004). Review of baseline characteristics showed that women with HF were older (p<0.001), and more likely to have HFpEF (26.3% vs. 46.4%, p<0.001) than men. However, women were less likely to have comorbidities including COPD, CKD, PVD, HTN, diabetes and dyslipidemia (p<0.001). In spite of this, there was a trend towards higher mortality among women over the follow up period (57.8% vs. 47.9%, p=0.055). Women were significantly less likely to be admitted to cardiology (62% vs. 71.4%, p=0.0084), and less likely to have follow up scheduled on discharge with either an internist or cardiologist (70.4% vs. 53.6%, p<0.001). Similar gender discrepancy in admission to cardiology was also observed among the subgroup of patients with HFrEF. Conclusions: In our study, women admitted with heart failure had worse overall prognosis than men, in spite of less associated comorbidities. Admission to cardiology service was the most significant positive prognostic factor overall. However, surprisingly, women were significantly less likely to be admitted to cardiology, possibly contributing to their observed poor outcome. Further studies to elucidate factors underlying this observed difference in admission pattern may help improve the management of women with HF.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,003 | 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 ».