Drug-coated balloons for the treatment of in-stent restenosis: an updated systematic review and meta-analysis of randomized controlled trials
Notice bibliographique
Résumé
Background: Drug-coated balloons (DCBs) have emerged as a potential option for treating in-stent restenosis (ISR). We aimed to assess the efficacy and safety of DCB compared to uncoated balloons (UCBs) for patients with ISR. Methods: We systematically searched Embase, MEDLINE, and Cochrane Library for randomized controlled trials comparing drug-coated balloons with uncoated balloons for coronary in-stent restenosis (ISR). Dichotomous and continuous outcomes were pooled using Revman 5.4 under a random-effects model. All the outcomes were assessed in a 6-month to 1-year follow-up period. Results: A total of seven RCTs involving 1407 patients were included in our review. DCBs significantly reduced the rate of target lesion revascularization (TLR) (RR 0.28; 95% CI: 0.16, 0.48), target vessel revascularization (TVR) (RR 0.36; 95% CI: 0.14, 0.90), major adverse cardiovascular events (MACE) (RR 0.39; 95% CI: 0.26, 0.58), and MI (RR 0.56; 95% CI: 0.35, 0.91). However, no significant difference was observed between the two groups regarding all-cause mortality, cardiovascular mortality, and stent thrombosis. DCB significantly improved angiographic outcomes such as binary restenosis (RR 0.23; 95% CI: 0.12, 0.43), late lumen loss (MD -0.44; 95% CI: - 0.55 to -0.33), and percent diameter stenosis (MD -13.91; 95% CI: - 24.15 to -3.67) compared to the UCB group. Conclusion: Our meta-analysis showed that drug-coated balloons have superior efficacy and safety compared to uncoated balloons in coronary in-stent restenosis patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,020 | 0,023 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».