Managing Heart Failure With Reduced Ejection Fraction in Patients With Chronic Kidney Disease: A Case-Based Approach and Contemporary Review
Notice bibliographique
Résumé
Patients with heart failure with reduced ejection fraction (HFrEF) often have concurrent chronic kidney disease (CKD), which can make initiating and titrating the 4 standard pharmacologic therapies a challenge. Drug dosing is often based on a calculation of the patient’s creatine clearance or estimated glomerular filtration rate (eGFR), but it should also incorporate the trend in their renal function over time and the risk of toxicity of the drug. The presence of CKD in a patient should not preclude the use of a renin-angiotensin system inhibitor, although patients should be monitored frequently for worsening renal function and hyperkalemia. Sacubitril/valsartan is not recommended in patients with an eGFR < 30 mL/min per 1.73 m2. Of the 3 ß-blockers recommended in the management of HFrEF, only bisoprolol may accumulate in patients with renal impairment; however, patients should still be titrated to the target dose (10 mg daily) or the maximally tolerated dose, depending on their clinical response. The sodium-glucose cotransporter 2 inhibitors are effective at reducing adverse cardiovascular and renal outcomes in patients with HFrEF and CKD (eGFR ≥ 25 mL/min per 1.73 m2 with dapagliflozin or ≥ 20 mL/min per 1.73 m2 with empagliflozin), although declining kidney function is a risk, due to the osmotic diuretic effect. Finally, mineralocorticoid receptor antagonist therapy should be considered in all patients with HFrEF and an eGFR ≥ 30 mL/min per 1.73 m2. The starting dose should be low (eg, 6.25-12.5 mg daily or 12.5 mg every other day) and can be uptitrated based on the patient’s renal function and serum potassium.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| 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 | 0,000 |
| 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 ».