Growth factor for therapeutic angiogenesis in ischemic heart disease: A meta-analysis of randomized controlled trials
Notice bibliographique
Résumé
Aim: This study was designed to systematically evaluate the effects of growth factor (GF) for therapeutic angiogenesis on ischemic heart disease (IHD) by pooling the results of randomized controlled trials (RCTs). Methods and Results: PubMed, EMBASE, and CENTRAL databases were searched from inception to October 2022. RCTs, investigating the effects of GF therapy on IHD, were included. The risk bias of included study was assessed according to Cochrane tool. Weighted mean difference (WMD), calculated with fixed effect model or random effect model, was used to evaluate the effects of GF therapy on left ventricular ejection fraction (LVEF) and Canadian Cardiovascular Society (CCS) angina class. Relative risk (RR) was used to evaluate the effects of GF therapy on all-cause mortality, major adverse cardiovascular events (MACE) and revascularization. Meta-analysis, meta-regression analysis and publication bias analysis were performed by RevMan 5.3 or Stata 15.1 software. Twenty-nine studies involving 2899 IHD patients (1,577 patients in GF group and 1,322 patients in control group) were included. Compared with the control group, GF therapy did not reduce all-cause mortality (RR: 0.82; 95% CI: 0.54–1.24; p = 0.341), MACE [(RR: 0.83; 95% CI: 0.61–1.12; p = 0.227), revascularization (RR: 1.27, 95% CI: 0.82–1.96, p = 0.290) and CCS angina class (WMD: −0.08, 95% CI: −0.36 to 0.20, p = 0.560). However, GF therapy could increase LVEF during short-term follow-up (<1 year). Conclusion: GF for therapeutic angiogenesis was beneficial for increasing LVEF during short-term follow-up (<1 year), however, the therapy was not efficacious in decreasing all-cause mortality, MACE and revascularization.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,019 | 0,008 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».