Abstract 16789: Modeling the Optimal Strategy of Natriuretic Peptide Testing for Heart Failure Prevention in Diabetes: A Pooled Cohort Analysis
Notice bibliographique
Résumé
Introduction: N-terminal pro-B-type natriuretic peptide (NT-proBNP) is associated with heart failure (HF) risk and measurement is recommended in diabetes. Incorporation of NT-proBNP with WATCH-DM, a HF risk score validated in diabetes, improved HF risk prediction in low-risk individuals (score <13). Whether WATCH-DM can improve the yield of NT-proBNP testing and inform allocation of SGLT2 inhibitors is unknown. Methods: Adults with diabetes and free of HF at baseline from ARIC, CHS, CRIC, DHS, FOS, and MESA cohorts were included. Participants without cardiovascular disease (CVD) were stratified into high- vs. low-risk categories based on 4 approaches: 1) WATCH-DM (score ≥ vs. <13); 2) NT-proBNP (≥ vs. <125 pg/mL); 3) WATCH-DM plus NT-proBNP (both high vs. not); 4) WATCH-DM-based NT-proBNP (if score <13, measure NT-proBNP) (either high vs. not). Five-year cumulative incidence rates of HF, number needed to treat (NNT 5 ) and number needed to screen (NNS 5 ) were estimated based on pooled treatment effects of SGLT2 inhibitors. Results: The study included 6,410 participants (47.5% women, 35.1% Black, 20.5% with CVD) with 428 (6.7%) incident HF events over 5-year follow-up. The 5-year risk of HF was 12.3% among participants with CVD and comparable to those without CVD identified as high-risk based on all 4 approaches ( Figure ). Among participants without CVD, WATCH-DM-based NT-proBNP identified 46% of participants as high-risk and accounted for 80% of HF events. The NNT 5 with an SGLT2 inhibitor to prevent 1 HF event in participants with CVD was 25 and similar to the primary prevention population identified as high-risk ( Figure ). The NNS 5 was lowest in the WATCH-DM-based NT-proBNP strategy ( Figure ). Conclusions: Selective NT-proBNP assessment based on a validated clinical risk score for HF improved the yield of testing and may represent an efficient approach to risk stratification and allocation of therapies among individuals with diabetes.
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 | 0,043 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,014 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».