The Role of Multimorbidity in Patients with Heart Failure Across the Left Ventricular Ejection Fraction Spectrum: Data from the Swedish Heart Failure Registry
Notice bibliographique
Résumé
AIMS: The aim of this analysis was to provide data on the overall comorbidity burden, both cardiovascular (CV) and non-CV, in a large real-world heart failure (HF) population across the ejection fraction (EF). METHODS AND RESULTS: Patients with HF from the Swedish HF Registry between 2000 and 2021 were included. Of 91 463 patients (median age 76 years [interquartile range 67-82]), 98% had at least one among the 17 explored comorbidities (94% at least one CV and 85% at least one non-CV comorbidity). All comorbidities, except for coronary artery disease (CAD), were more frequent in HF with preserved EF (HFpEF). Patients with multiple comorbidities were older, more likely female, inpatients, with HFpEF, worse New York Heart Association class and higher N-terminal pro-B-type natriuretic peptide levels. In a multivariable Cox model, 12 comorbidities were independently associated with a higher risk of death from any cause. The highest risk was associated with dementia (hazard ratio [HR] 1.55, 95% confidence interval [CI] 1.45-1.65), chronic kidney disease (HR 1.37, 95% CI 1.34-1.41), chronic obstructive pulmonary disease (HR 1.32, 95% CI 1.28-1.35). Obesity was associated with a lower risk of all-cause death (HR 0.81, 95% CI 0.79-0.84). CAD and valvular heart disease were associated with a higher risk of all-cause and CV mortality, but not non-CV mortality, whereas cancer and musculo-skeletal disease increased the risk of non-CV mortality. A significant interaction with EF was observed for several comorbidities. Occurrence of CV and non-CV outcomes was related to the number of CV and non-CV comorbidities, respectively. CONCLUSION: The burden of both CV and non-CV comorbidities was high in HF regardless of EF, but overall higher in HFpEF. Multimorbidity was associated with a high risk of death with a different burden on CV or non-CV outcomes.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».