Detailed Assessment of the “I Need Help” Criteria in Patients With Heart Failure: Insights From the HELP-HF Registry
Notice bibliographique
Résumé
BACKGROUND: The “I Need Help” markers have been proposed to identify patients with advanced heart failure (HF). We evaluated the prognostic impact of these markers on clinical outcomes in a real-world, contemporary, multicenter HF population. METHODS: We included consecutive patients with HF and at least 1 high-risk “I Need Help” marker from 4 centers. The impact of the cumulative number of “I Need Help” criteria and that of each individual “I Need Help” criterion was evaluated. The primary end point was the composite of all-cause mortality or first HF hospitalization. RESULTS: Among 1149 patients enrolled, the majority had 2 (30.9%) or 3 (22.6%) “I Need Help” criteria. A higher cumulative number of “I Need Help” criteria was independently associated with a higher risk of the primary end point (adjusted hazard ratio for each criterion increase, 1.19 [95% CI, 1.11–1.27]; P <0.001), and patients with >5 criteria had the worst prognosis. Need of inotropes, persistently high New York Heart Association classes III and IV or natriuretic peptides, end-organ dysfunction, >1 HF hospitalization in the last year, persisting fluid overload or escalating diuretics, and low blood pressure were the individual criteria independently associated with a higher risk of the primary end point. CONCLUSIONS: In our HF population, a higher number of “I Need Help” criteria was associated with a worse prognosis. The individual criteria with an independent impact on mortality or HF hospitalization were need of inotropes, New York Heart Association class or natriuretic peptides, end-organ dysfunction, multiple HF hospitalizations, persisting edema or escalating diuretics, and low blood pressure.
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 | 0,001 |
| 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 ».