Incremental Prognostic Value of Biomarkers in PARADIGM-HF
Notice bibliographique
Résumé
AIMS: It is uncertain how much candidate biomarkers improve risk prediction when added to comprehensive models including routinely collected clinical and laboratory variables in heart failure. METHODS AND RESULTS: Aldosterone, cystatin C, high-sensitivity troponin T (hs-TnT), galectin-3, growth differentiation factor-15 (GDF-15), kidney injury molecule-1, matrix metalloproteinase-2 and -9, soluble suppression of tumourigenicity-2, tissue inhibitor of metalloproteinase-1 (TIMP-1) and urinary albumin to creatinine ratio were measured in 1559 of PARADIGM-HF participants. We tested whether these biomarkers, individually or collectively, improved the performance of the PREDICT-HF prognostic model, which includes clinical, routine laboratory, and natriuretic peptide data, for the primary endpoint and cardiovascular and all-cause mortality. The mean age of participants was 67.3 ± 9.9 years, 1254 (80.4%) were men and 1103 (71%) were in New York Heart Association class II. During a mean follow-up of 30.7 months, 300 patients experienced the primary outcome and 197 died. Added individually, only four biomarkers were independently associated with all outcomes: hs-TnT, GDF-15, cystatin C and TIMP-1. When all biomarkers were added simultaneously to the PREDICT-HF models, only hs-TnT remained an independent predictor of all three endpoints. GDF-15 also remained predictive of the primary endpoint; TIMP-1 was the only other predictor of both cardiovascular and all-cause mortality. Individually or in combination, these biomarkers did not lead to significant improvements in discrimination or reclassification. CONCLUSIONS: None of the biomarkers studied individually or collectively led to a meaningful improvement in the prediction of outcomes over what is provided by clinical, routine laboratory, and natriuretic peptide variables.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».