Identifying People at High Risk for Severe Aortic Stenosis: Aortic Valve Calcium Versus Lipoprotein(a) and Low-Density Lipoprotein Cholesterol
Notice bibliographique
Résumé
BACKGROUND: Aortic valve calcification (AVC), Lp(a) [lipoprotein(a)], and low-density lipoprotein cholesterol (LDL-C) are associated with severe aortic stenosis (AS). We aimed to determine which of these risk factors were most strongly associated with the risk of incident severe AS. METHODS: A total of 6792 participants from the MESA study (Multi-Ethnic Study of Atherosclerosis) had computed tomography-quantified AVC, Lp(a), and LDL-C values at MESA visit 1 (2000-2002). We calculated the absolute event rate of incident adjudicated severe AS per 1000 person-years and performed multivariable adjusted Cox proportional hazards regression. RESULTS: The mean age was 62 years old, and 47% were women. Over a median 16.7-year follow-up, the rate of incident severe AS increased exponentially with higher AVC, regardless of Lp(a) or LDL-C values. Participants with AVC=0 had a very low rate of severe AS even with elevated Lp(a) ≥50 mg/dL (<0.1/1000 person-years) or LDL-C ≥130 mg/dL (0.1/1000 person-years). AVC >0 was strongly associated with severe AS when Lp(a) <50 mg/dL hazard ratio (HR) of 33.8 (95% CI, 16.4-70.0) or ≥50 mg/dL HR of 61.5 (95% CI, 7.7-494.2) and when LDL-C <130 mg/dL HR of 31.1 (95% CI, 14.4-67.1) or ≥130 mg/dL HR of 50.2 (95% CI, 13.2-191.9). CONCLUSIONS: AVC better identifies people at high risk for severe AS compared with Lp(a) or LDL-C, and people with AVC=0 have a very low long-term rate of severe AS regardless of Lp(a) or LDL-C level. These results suggest AVC should be the preferred prognostic risk marker to identify patients at high risk for severe AS, which may help inform participant selection for future trials testing novel strategies to prevent severe AS.
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) | 0,001 | 0,004 |
| 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 ».