Impact of Malnutrition in Patients with Severe Heart Failure
Notice bibliographique
Résumé
AIM: The role of malnutrition among patients with severe heart failure (HF) is not well established. We evaluated the incidence, predictors, and prognostic impact of malnutrition in patients with severe HF. METHODS AND RESULTS: Nutritional status was measured using the geriatric nutritional risk index (GNRI), based on body weight, height and serum albumin concentration, with malnutrition defined as GNRI ≤98. It was assessed in consecutive patients with severe HF, defined by at least one high-risk 'I NEED HELP' marker, enrolled at four Italian centres between January 2020 and November 2021. The primary endpoint was all-cause mortality. A total of 510 patients with data regarding nutritional status were included in the study (mean age 74 ± 12 years, 66.5% male). Among them, 179 (35.1%) had GNRI ≤98 (malnutrition). At multivariable logistic regression, lower body mass index (BMI) and higher levels of natriuretic peptides (B-type natriuretic peptide [BNP] > median value [685 pg/ml] or N-terminal proBNP > median value [5775 pg/ml]) were independently associated with a higher likelihood of malnutrition. Estimated rates of all-cause death at 1 year were 22.4% and 41.1% in patients without and with malnutrition, respectively (log-rank p < 0.001). The impact of malnutrition on all-cause mortality was confirmed after multivariable adjustment for relevant covariates (adjusted hazard ratio 2.03, 95% confidence interval 1.43-2.89, p < 0.001). CONCLUSION: In a contemporary, real-world, multicentre cohort of patients with severe HF, malnutrition (defined as GNRI ≤98) was common and independently associated with an increased risk of mortality. Lower BMI and higher natriuretic peptides were identified as predictors of malnutrition in these patients.
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 | 0,001 | 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 | 0,001 |
| 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 ».