Therapy Gaps for Patients with Heart Failure and Reduced Kidney Function: A Prospective Cohort Study
Notice bibliographique
Résumé
AIMS: Despite emerging evidence for new pharmacotherapies to improve outcomes in patients with heart failure (HF) and kidney dysfunction, data on contemporary HF therapy use in this population are lacking. This study evaluated contemporary longitudinal treatment patterns in patients with HF across the spectrum of kidney function and left ventricular ejection fraction (LVEF). METHODS: ) and HF with reduced (HFrEF), mildly reduced (HFmrEF) and preserved (HFpEF) ejection fraction. Clinical outcomes, incidence of hyperkalaemia (serum potassium > 5.5 mmol/L) and clinician-reported reasons for underutilizing HF therapies were examined. RESULTS: Median age was 68 (58 to 76) years; 29% were female; 54%, 37% and 9% had an eGFR of ≥60, 30 to <60 and <30, respectively. Among patients with eGFR ≥60, 95%, 94%, 75% and 15% were on a beta-blocker (BB), renin-angiotensin system inhibitor (RASi), mineralocorticoid receptor antagonist (MRA) and sodium glucose cotransporter-2 inhibitor, respectively. In patients with eGFR <30, corresponding baseline rates were 88%, 68%, 35% and 7%. Utilization rates were similar in patients with eGFR 30 to <60 compared with eGFR ≥60; however, fewer patients were on guideline-directed dose intensities with 44% versus 57% for RASi and 19% versus 26% for MRA. However, >90% of patients were on a BB, with similar utilization rates across HF and eGFR categories. Baseline ARNI use was 29%, 24% and 11% in eGFR ≥60, 30 to <60 and <30, respectively. Trends in HF therapy use persisted over 2 years. Among patients with eGFR <30, kidney dysfunction was the most frequently cited reason for underutilizing RASi. Patients with eGFR <60 experienced higher all-cause mortality, hospitalization and higher rates of hyperkalaemia. CONCLUSION: Gaps in HF therapy use persist in patients with comorbid kidney dysfunction. Targeted strategies to implement new therapies and improve adherence to HF treatments are necessary to improve outcomes in a highly comorbid and at-risk population.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».