Cardiometabolic risk management: insights from a European Society of Cardiology Cardiovascular Round Table
Notice bibliographique
Résumé
Metabolic comorbidities are common in patients with cardiorenal disease; they can cause atherosclerotic cardiovascular disease (ASCVD), speed progression, and adversely affect prognosis. Common comorbidities are Type 2 diabetes mellitus (T2DM), obesity/overweight, chronic kidney disease (CKD), and chronic liver disease. The cardiovascular system, kidneys, and liver are linked to many of the same risk factors (e.g. dyslipidaemia, hypertension, tobacco use, diabetes, and central/truncal obesity), and shared metabolic and functional abnormalities lead to damage throughout these organs via overlapping pathophysiological pathways. The COVID-19 pandemic has further complicated the management of cardiometabolic diseases. Obesity, T2DM, CKD, and liver disease are associated with increased risk of poor outcomes of COVID-19 infection, and conversely, COVID-19 can lead to worsening of pre-existing ASCVD. The high rates of these comorbidities highlight the need to improve recognition and treatment of ASCVD in patients with obesity, insulin resistance or T2DM, chronic liver diseases, and CKD and equally, to improve recognition and treatment of these diseases in patients with ASCVD. Strategies to prevent and manage cardiometabolic diseases include lifestyle modification, pharmacotherapy, and surgery. There is a need for more programmes at the societal level to encourage a healthy diet and physical activity. Many pharmacotherapies offer mechanism-based approaches that can target multiple pathophysiological pathways across diseases. These include sodium-glucose cotransporter-2 inhibitors, glucagon-like peptide-1 receptor agonists, selective mineralocorticoid receptor antagonists, and combined glucose-dependent insulinotropic peptide/glucagon-like peptide-1 receptor agonist. Non-surgical and surgical weight loss strategies can improve cardiometabolic disorders in individuals living with obesity. New biomarkers under investigation may help in the early identification of individuals at risk and reveal new treatment targets.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».