High-Sensitivity Troponin I Measurement in a Large Contemporary Cohort: Implications for Clinical Care
Notice bibliographique
Résumé
INTRODUCTION: Contemporary methods of cardiovascular (CV) risk stratification are frequently inaccurate. Biomarkers such as high-sensitivity troponin I (hsTnI) have the potential to improve risk stratification. However, uncertainties exist regarding factors that determine hsTnI concentration. Our aim was to investigate the prevalence of elevated hsTnI in a large contemporary Canadian cohort and describe the effect of comorbidities on hsTnI concentration. METHODS: We report a large dataset of 41,602 visits in which hsTnI was measured routinely in ambulatory outpatients. hsTnI was remeasured in 28% of patients, with a mean time between measurements of 387 days (IQR 364-441). Low-, medium-, and high-risk categories were created based on hsTnI cutoffs for each sex. Laboratory data, blood pressure, and anthropomorphic measures were extracted from the electronic medical record. RESULTS: Remeasurement of hsTnI did not change risk category in 92.7% of cases. Male sex, higher HDL-C, higher Hgb A1c, decreasing eGFR, and increasing systolic blood pressure were significant predictors of increased hsTnI. High non-HDL-C and the use of statins were associated with lower hsTnI. The inverse relationship between hsTnI and non-HDL-C was partially corrected when the confounding effect of statin therapy was considered. Model fit was poor (adjusted R-squared = 0.0091). CONCLUSION: Traditional CV risk factors were predictors of serum hsTnI levels; however, a significant amount of the variance in hsTnI cannot be explained by these factors alone. This suggests that hsTnI adds additional information that is not provided by traditional risk stratification methods and supports ongoing study of hsTnI as a biomarker for CV risk stratification.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».