Clinical impact of changes in mitral regurgitation severity after medical therapy optimization in heart failure
Notice bibliographique
Résumé
BACKGROUND: Few data are available regarding changes in mitral regurgitation (MR) severity with guideline-recommended medical therapy (GRMT) in heart failure (HF). Our aim was to evaluate the evolution and impact of MR after GRMT in the Biology study to Tailored treatment in chronic heart failure (BIOSTAT-CHF). METHODS: A retrospective post-hoc analysis was performed on HF patients from BIOSTAT-CHF with available data on MR status at baseline and at 9-month follow-up after GRMT optimization. The primary endpoint was a composite of all-cause death or HF hospitalization. RESULTS: Among 1022 patients with data at both time-points, 462 (45.2%) had moderate-severe MR at baseline and 360 (35.2%) had it at 9-month follow-up. Regression of moderate-severe MR from baseline to 9 months occurred in 192/462 patients (41.6%) and worsening from baseline to moderate-severe MR at 9 months occurred in 90/560 patients (16.1%). The presence of moderate-severe MR at 9 months, independent from baseline severity, was associated with an increased risk of the primary endpoint (unadjusted hazard ratio [HR], 2.03; 95% confidence interval [CI], 1.57-2.63; p < 0.001), also after adjusting for the BIOSTAT-CHF risk-prediction model (adjusted HR, 1.85; 95% CI 1.43-2.39; p < 0.001). Younger age, LVEF ≥ 50% and treatment with higher ACEi/ARB doses were associated with a lower likelihood of persistence of moderate-severe MR at 9 months, whereas older age was the only predictor of worsening MR. CONCLUSIONS: Among patients with HF undergoing GRMT optimization, ACEi/ARB up-titration and HFpEF were associated with MR improvement, and the presence of moderate-severe MR after GRMT was associated with worse outcome.
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 | 0,010 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,002 |
| 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 ».