Cancer and cardiovascular disease: can understanding the mechanisms of cardiovascular injury guide us to optimise care in cancer survivors?
Notice bibliographique
Résumé
Cancer and cardiovascular disease (CVD) are the leading causes of morbidity and mortality. Therefore, CVD deaths in cancer survivors remain a major challenge in improving cancer outcomes, especially in low and middle income countries (LMICs). Cancer and CVD share many common risk factors, both modifiable risk factors (obesity, diabetes and smoking) and non-modifiable factors such as inflammation. Additionally, some cancer therapies are associated with cardiac toxicity. These mechanisms drive increased CVD outcomes in cancer survivors, and understanding this relationship allows us to target therapies to combat such risks. Several commonly used pharmacotherapies for CVD demonstrate promise in cancer survivors for both primary and secondary prevention. Beta blockers and Angiotensin converting enzyme (ACE)-inhibitors have been shown in several studies to improve left ventricular ejection fraction (LVEF) in patients with already established LVEF decline following cancer therapy. Statin use during chemotherapy was associated with lower risk of heart failure and smaller declines in LVEF. Recent studies into the effects of anti-inflammatory medications on cardiovascular events in the non-cancer population have demonstrated promising results and may prove to be an area of further investigation and possible benefit in the cancer population [Canakinumab Anti-Inflammatory Thrombosis Outcomes Study (CANTOS) and Colchicine Cardiovascular Outcomes Trial (COLCOT)]. Additionally, several other medications including PCSK9 inhibitors, sodium-glucose cotransporter-2 inhibitors (SGLT2i) and glucagon-like peptide 1 (GLP-1) agonists have been shown to modify inflammation, and therefore may provide cardiovascular benefits. While common pharmacotherapies used in CVD show promise in cancer survivors, their exact mechanisms remain poorly understood. Few studies evaluate their clinical effectiveness specifically in cancer survivors, as this patient population is excluded from most studies. Further investigation is warranted with more representation of cancer survivors before cost-effective recommendations are made. This is especially true in LMICs where resources are sparse for primary and secondary prevention in order to optimise care in this unique, high-risk population for CVD.
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 | 0,010 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,015 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,009 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
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 ».