Which frailty tool best predicts morbidity and mortality in ambulatory patients with heart failure? A prospective study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Frailty is common in patients with heart failure (HF) and is associated with adverse outcome, but it is uncertain how frailty should best be measured. OBJECTIVES: To compare the prognostic value of commonly-used frailty tools in ambulatory patients with HF. METHODS AND RESULTS: We assessed, simultaneously, three screening tools [clinical frailty scale (CFS); Derby frailty index (DFI); acute frailty network (AFN) frailty criteria), three assessment tools (Fried criteria; Edmonton frailty score (EFS); deficit index (DI)) and three physical tests (handgrip strength, timed get-up-and-go test (TUGT), 5-metre walk test (5MWT)] in consecutive patients with HF attending a routine follow-up visit. 467 patients (67% male, median age = 76 years, median NT-proBNP = 1156 ng/L) were enrolled. During a median follow-up of 554 days, 82 (18%) patients died and 201 (43%) patients were either hospitalised or died. In models corrected for age, Charlson score, haemoglobin, renal function, sodium, NYHA, atrial fibrillation (AF), and body mass index, only log[NT-proBNP] and frailty were independently associated with all-cause death. A base model for predicting mortality at 1 year including NYHA, log[NT-proBNP], sodium and AF, had a C-statistic = 0.75. Amongst screening tools: CFS (C-statistic = 0.84); amongst assessment tools: DI (C-statistic = 0.83) and amongst physical test: 5MWT (C-statistic = 0.80), increased model performance most compared with base model (P <0.05 for all). CONCLUSION: Frailty is strongly associated with adverse outcomes in ambulatory patients with HF. When added to a base model for predicting mortality at 1 year including NYHA, NT-proBNP, sodium, and AF, CFS provides comparable prognostic information with assessment tools taking longer to perform.
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.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 découle