Impact of myocardial perfusion and coronary calcium on medical management for coronary artery disease
Notice bibliographique
Résumé
AIMS: Single-photon emission computed tomography (SPECT) myocardial perfusion imaging (MPI) remains one of the most widely used imaging modalities for the diagnosis and prognostication of coronary artery disease (CAD). Despite the extensive prognostic information provided by MPI, little is known about how this influences the prescription of medical therapy for CAD. We evaluated the relationship between MPI with computed tomography (CT) attenuation correction and prescription of acetylsalicylic acid (ASA) and statins. METHODS AND RESULTS: We performed a retrospective analysis of consecutive patients who underwent SPECT MPI at a single centre between 2015 and 2021. Myocardial perfusion abnormalities and coronary calcium burden were assessed, with attenuation correction imaging 77.8% of patients. Medication prescriptions before and within 180 days after the test were compared. Associations between abnormal perfusion and calcium burden with ASA and statin prescription were assessed using multivariable logistic regression. In total, 9908 patients were included, with a mean age 66.8 ± 11.7 years and 5337 (53.9%) males. The prescription of statins increased more in patients with abnormal perfusion (increase of 19.2 vs. 12.0%, P < 0.001). Similarly, the presence of extensive CAC led to a greater increase in statin prescription compared with no calcium (increase 12.1 vs. 7.8%, P < 0.001). In multivariable analyses, ischaemia and coronary artery calcium were independently associated with ASA and statin prescription. CONCLUSION: Abnormal MPI testing was associated with significant changes in medical therapy. Both calcium burden and perfusion abnormalities were associated with increased prescriptions of medical therapy for CAD.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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 ».