Determinants of Aortic Stenosis Progression in Bicuspid and Tricuspid Aortic Valves
Notice bibliographique
Résumé
BackgroundBicuspid aortic valve (BAV) is associated with a faster progression of aortic stenosis (AS). Whether the determinants of AS progression are the same or different in patients with BAV vs tricuspid aortic valve (TAV) is unknown. The aim of this study was to identify the factors associated with the progression of AS in patients with BAV vs patients with TAV.MethodsPatients with AS were prospectively recruited in the Metabolic Determinants of the Progression of Aortic Stenosis (PROGRESSA) study (ClinicalTrials.gov Identifier: NCT01679431). The haemodynamic progression rate of AS was assessed by the annualized progression rate of peak aortic jet velocity (Vpeak). Univariable and multivariable linear regression analyses were used to identify the factors associated with a faster progression of AS in patients with BAV vs patients with TAV.ResultsThere were 79 patients with BAV and 208 patients with TAV. The baseline severity of AS was similar between the 2 groups of patients as well as the annualized progression rate of AS. In patients with BAV, obesity (β = 0.25, P = 0.04), diabetes (β = 0.26, P = 0.02), and BAV with right-noncoronary cusp fusion (β = 0.29, P = 0.01) were found to be independently associated with a faster progression of AS, whereas in patients with TAV, AS baseline severity (baseline Vpeak, β = 0.14, P = 0.04) and chronic kidney disease (β = 0.16, P = 0.02) were significantly associated with AS progression.ConclusionFactors associated with progression rate of AS are different in BAV and TAV. The main factors associated with a faster progression of AS appear to be obesity, diabetes, right-noncoronary cusp fusion in patients with BAV vs chronic kidney disease in patients with TAV.
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) | 0,000 | 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) | 0,000 | 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 ».