Recommendations for statin management in primary prevention: disparities among international risk scores
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Statin recommendations in primary prevention depend upon risk algorithms. Moreover, with intermediate risk, risk enhancers and de-enhancers are advocated to aid decisions. The aim of this study was to compare algorithms used in North America and Europe for the identification of patients warranting statin or consideration of risk enhancers and de-enhancers. METHODS: A simulated population (n = 7680) equal in males and females, with/without smoking, aged 45-70 years, total cholesterol 3.5-7.0 mmol/L, high-density lipoprotein cholesterol 0.6-2.2 mmol/L, and systolic blood pressure 100-170 mmHg, was evaluated. High, intermediate, and low risks were determined using the Framingham Risk Score (FRS), Pooled Cohort Equation (PCE), four versions of Systematic Coronary Risk Evaluation 2 (SCORE2), and Multi-Ethnic Study of Atherosclerosis (MESA) algorithm (0-1000 Agatston Units). RESULTS: Concordance for the three levels of risk varied from 19% to 85%. Both sexes might be considered to have low, intermediate, or high risk depending on the algorithm applied, even with the same burden of risk factors. Only SCORE2 (High Risk and Very High Risk versions) identified equal proportions of males and females with high risk. Excluding MESA, the proportion with moderate risk was 25% (SCORE2, Very High Risk Region), 32% (FRS), 39% (PCE), and 45% (SCORE2, Low Risk Region). CONCLUSION: Risk algorithms differ substantially in their estimation of risk, recommendations for statin treatment, and use of ancillary testing, even in identical patients. These results highlight the limitations of currently used risk-based approaches for addressing lipid-specific risk in primary prevention.
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 | 0,000 |
| 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 ».