Outcomes of ST-Segment Elevation Myocardial Infarction in Patients With Adrenal Insufficiency
Notice bibliographique
Résumé
Abstract Context Patients with adrenal insufficiency (AI) have both increased risk of cardiovascular disease and adverse outcomes with many medical emergencies. However, limited data exist specifically regarding ST-segment elevation myocardial infarction (STEMI) in the context of AI. Objective To evaluate associations between AI and in-hospital outcomes of patients with STEMI. Methods Admissions for STEMI were identified in the 2016-2019 National Inpatient Sample. In-hospital outcomes were compared between patients with and without AI. The primary outcome was in-hospital mortality. Secondary outcomes included percutaneous coronary intervention (PCI), coronary artery bypass graft (CABG), intervention, acute kidney injury (AKI), vasopressor use, mechanical circulatory support (MCS), mechanical ventilation, ventricular tachycardia (VT), hospital length of stay (LOS), and total charges. Multivariable regression models were used to adjust for potential confounders. Results Among 690 430 STEMI hospitalizations, 1382 (0.2%) had a diagnosis of AI. AI was associated with higher odds of in-hospital mortality (adjusted OR [aOR] 1.51, 95% CI 1.03-2.2), lower odds of PCI (aOR 0.73, 95% CI 0.55-0.98), higher odds of CABG (aOR 2.8, 95% CI 1.89-4.2) and, AKI (aOR 2.38, 95% CI 1.72-3.3), VT (aOR 1.55, 95% CI 1.1-2.2), need for vasopressors (aOR 2.34, 95% CI 1.33-4.1), mechanical ventilation (aOR 2.11, 95% CI 1.54-2.89), and MCS (aOR 2.18, 95% CI 1.57-3.03). Patients with AI also had a longer LOS (10 days vs 4.2 days, P < .001) and higher charges ($258 475 vs $115 505, P < .001). Conclusion Patients with AI admitted for STEMI had higher in-hospital mortality, nonfatal adverse outcomes, and resource utilization than patients without AI.
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 | 0,000 |
| 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 ».