Socio-Economic Status and the Effect of Guideline-Directed Medical Therapy in the STRONG-HF Study
Notice bibliographique
Résumé
AIMS: Acute heart failure (AHF) impacts millions globally, with outcomes varying based on socio-economic status (SES). METHODS: SES measured by annual household income, years of education and medical insurance coverage. Each patient's income and education level relative to the median or mean, respectively, in the country was calculated, and categorized into tertiles (0, 1 or 2 from lowest to highest). SES scores (0-5) were computed as the sum of these levels plus insurance coverage (0 = no or 1 = yes). Patients' baseline characteristics, outcomes (HF readmission, death and their composite) and the effect of high-intensity care (HIC) vs. usual care (UC) were examined by SES scores 0-2, 3 and 4-5. RESULTS: Lower SES patients, who were younger, predominantly female, Black and non-European, had fewer comorbidities such as atrial fibrillation, diabetes and ischaemic heart disease and exhibited milder HF, indicated by a lower NYHA class, lower creatinine and higher cholesterol before discharge. Despite having milder HF and less comorbidities, after adjusting for baseline characteristics, patients with higher SES had numerically better outcomes, though differences were not statistically significant. 180-day hazard ratios (HRs) for HF readmission or death were 0.75 (95% CI 0.48-1.16) for SES scores of 3 and 0.85 (95% CI 0.58-1.23) for scores of 4-5, compared to 0-2. Higher SES patients had numerically better treatment effect from HIC, with HRs of 0.69 for SES 0-2, 0.72 for SES 3 and 0.50 for SES 4-5. CONCLUSIONS: In this post hoc analysis of the STRONG-HF study, lower SES was associated with milder acute HF but similar 180-day outcomes. Higher SES patients benefitted more from HIC.
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 | 0,000 |
| 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 ».