Lipoprotein (a) Distribution in Aortic Stenosis Patients
Notice bibliographique
Résumé
BACKGROUND: There is currently no medical therapy that can slow down/stop the progression of aortic stenosis (AS). Novel drugs lowering lipoprotein(a) (Lp[a]), a proinflammatory particle linked to AS development, are currently under evaluation, but the proportion of patients with AS and elevated Lp(a) who might benefit from such therapy is not known. OBJECTIVES: The authors sought to characterize the prevalence of high Lp(a) in patients with AS to determine the role of future Lp(a)-lowering therapies. METHODS: In a nonselected Canadian population of AS patients seen in our specialized valve clinic, we assessed Lp(a) levels. High Lp(a) level was defined as an Lp(a) ≥100 nmol/L as per the Canadian Cardiovascular Society's Lipid Guidelines. RESULTS: Lp(a) levels were measured in 162 patients (mean age: 75 ± 10 years, 43% female, mean pressure gradient: 29 ± 14 mm Hg). Mean Lp(a) was 69 ± 79 nmol/L (median: 24 nmol/L, IQR: 19-91 nmol/L), and 39 patients (24%) had a high Lp(a) level. There were no differences in the mean Lp(a) or in the proportion of high Lp(a) levels with respect to sex, age, or AS severity (all P > 0.20). CONCLUSIONS: In this cross-sectional series of unselected AS patients followed in a valve clinic, only 1 in every 4 patients had a significantly elevated Lp(a) level. Novel Lp(a)-lowering therapies may have limited applicability to most patients with AS and highlight the need for further research into understanding the pathophysiology of AS and developing medical therapies targeting different pathways.
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 ».