Impact of clinical risk characteristics on the prognostic value of high-risk plaques
Notice bibliographique
Résumé
BACKGROUND: High-risk coronary plaques (HRPs) are associated with adverse cardiovascular outcomes. However, the clinical practicality of HRP identification is challenged by their modest prevalence and low positive predictive value. AIMS: We aimed to evaluate the association between clinical risk factors and HRPs, as well as the clinical impact of HRPs across different clinical risk profiles. METHODS: This is a pooled analysis of individual patient data from the prospective observational COMBINE (OCT-FFR) and PECTUS-obs studies. A modified version of the Thrombolysis in Myocardial Infarction Risk Score for Secondary Prevention (TRS-2P) was used for risk stratification. The composite endpoint of major adverse cardiovascular events (MACE) was evaluated on a patient level, and target lesion failure (TLF), also a composite endpoint, was evaluated on a lesion level. RESULTS: =0.539 for MACE and 0.337 for TLF). For TLF, the highest event rate per 100 lesion-years was observed in high-risk patients with HRPs (6.28, 95% CI: 3.52-10.36; 13.6% absolute risk at 2 years). CONCLUSIONS: HRPs are associated with a negative clinical outcome, without apparent differences between clinical risk profiles. This highlights the independent value of optical coherence tomography for prognostication beyond clinical risk factors. The high event rates in high-risk patients with HRPs necessitate the search for additional therapeutic strategies to mitigate this risk.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 ».