Monitoring time-to-detection of recurrent atrial fibrillation in patients with transient new-onset atrial fibrillation detected initially during hospitalization for noncardiac surgery or medical illness
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Approximately one-third-of patients with transient new-onset atrial fibrillation (AF) during hospitalization for noncardiac surgery or medical illness will have recurrent AF within 1 year when assessed using two 14-day ECG monitors. The proportion of patients that would be diagnosed with recurrent AF with less monitoring is unknown. METHODS: We used data from a prospective cohort of participants with transient new-onset AF while hospitalized for noncardiac surgery or medical illness, who wore one or two 14-day ECG monitors. We calculated the proportion of patients that would be diagnosed with recurrent AF with different durations of ECG monitoring and the median time-to-detection of recurrent AF lasting ≥30 s. RESULTS: -VASc 3) wore an ECG monitor a median of 1.5 months following hospital discharge; 83 (59.7 %) wore a second monitor at median of 5.8 months after the first monitor. Recurrent AF was detected in 5.0 % of participants by 1 day, 5.8 % by 2 days, 6.5 % by 3 days, 12.2 % by 7 days, 21.6 % by 14 days and in 28.8 % by the end of the second 14-day monitor. Median monitoring time to recurrent AF was 5.3 (IQR 1.4-9.7) days. CONCLUSIONS: In patients with transient new-onset AF during hospitalization for another reason, the rate of detection of recurrent AF increased with longer monitoring durations. Approximately 80 % of diagnoses were made after 2 days of monitoring; the likelihood of capturing recurrent AF was 4 times higher with 14 days of monitoring compared to 2 days.
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.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découle