Frailty as a predictor of mortality and readmission rate in secondary mitral regurgitation
Notice bibliographique
Résumé
INTRODUCTION: Selection in patients with functional mitral regurgitation (MR) to identify responders to interventions is challenging. In these patients, frailty might be used as a multidimensional parameter to summarize the resilience to stressors. Our objective was to evaluate frailty as a predictor of outcome in patients with moderate to severe secondary MR. METHODS: We conducted a single-center retrospective observational cohort study and included 239 patients with moderate to severe secondary MR aged 65 years or older between 2014 and 2020. Echocardiography was performed at baseline; frailty was evaluated using the clinical frailty scale (CFS). The combined primary endpoint was hospitalization for heart failure and all-cause mortality. RESULTS: A total of 53% (127) of all patients were classified as CFS 4 (living with mild frailty) or higher. Frail patients had a higher risk for the combined endpoint (hazard ratio, HR 3.70, 95% confidence interval, CI 2.12-6.47; p < 0.001), 1‑year mortality (HR 5.94, 95% CI 1.76-20.08; p < 0.001) even after adjustment for EuroSCORE2. The CFS was predictive for the combined endpoint (AUC 0.69, 95% CI 0.62-0.75) and outperformed EuroSCORE2 (AUC 0.54, 95% CI 0.46-0.62; p = 0.01). In sensitivity analyses, we found that frailty was associated with adverse outcomes at least in trend in all subgroups. CONCLUSION: For older, medically treated patients with moderate to severe secondary mitral regurgitation, frailty is an independent predictor for the occurrence of death and heart failure-related readmission within 1 year and outperformed the EuroSCORE2. Frailty should be assessed routinely in patients with heart failure to guide clinical decision making for mitral valve interventions or conservative treatment.
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 ».