Gender differences in all-cause mortality in patients with heart failure and stroke
Notice bibliographique
Résumé
Abstract Purpose to analyse gender differences in all-cause mortality in patients with HF and previous stroke. Methods From February 2017 to January 2022, we analysed mortality and predictors of all-cause death in women and men with HF. Baseline data included clinical features and echocardiographic findings. The analysed comorbidities were previous stroke, previous myocardial infarction (MI), diabetes, atrial fibrillation (AF), and chronic kidney disease (CKD). We used the Kaplan-Meier method (K-M) and Cox proportional hazards methods to analyse mortality rates. Predictors of death were obtained using the score chi-square of Cox regression. Results We analysed, in a mean follow-up period of 2.2±0.9 years, 11,282 patients with a mean age of 63.9 ± 14.4 years, and 6,256 (55.4%) were men. Patients with previous strokes were older (66.1±13.7 vs. 63.8±14.4 years; p<0.0001), had lower initial left ventricular ejection fraction (44.4 ±16.4% vs. 46.3±16%; p=0.009), and greater initial left ventricular diastolic diameter (58.5±10.4 vs. 57.2±9.6 mm; p=0.010). The prevalence of ischemic cardiomyopathy was higher in men (p=0.010), while hypertensive cardiomyopathy (CMP) (p=0.029) and valvular CMP (p=0.025) were more prevalent in women. The prevalence of heart failure with reduced ejection fraction was higher in men (p<0.001), whereas heart failure with preserved ejection fraction was more common in women (p<0.001). The cumulative incidence of death was higher in men without stroke (p=0.040) compared to women without stroke, and in women with stroke (p<0.001) compared to men with stroke (Figure). Cox regression for death, adjusted for age, gender, initial LVEF, ischemic CMP, idiopathic CMP, hypertensive CMP, valvular CMP, diabetes, CKD, AF, and stroke, showed, in decreasing order of importance, CKD [HR=2.76 (95% CI: 2.51-3.03); p<0.001], stroke [HR=2.49 (95% CI: 2.20-2.81); p<0.001], diabetes [HR=2.06 (95% CI: 1.88-2.26); p<0.001], AF [HR=1.87 (95% CI: 1.71-2.04); p<0.001], age [HR=1.02 (95% CI: 1.01-1.02); p<0.001], LVEF [HR=0.77 (95% CI: 0.73-0.81); p<0.001], and valvular CMP [HR=1.65 (95% CI: 1.45-1.87); p<0.001] as independent variables for death in the total population. For patients with HF and stroke, Cox regression adjusted for the same variables showed CKD [HR=1.43 (95% CI: 1.12-1.83); p<0.001], valvular CMP [HR=1.71 (95% CI: 1.25-2.36); p=0.001], diabetes [HR=1.51 (95% CI: 1.19-1.92); p=0.001], LVEF [HR=0.75 (95% CI: 0.66-0.86); p=0.001], and age [HR=1.02 (95% CI: 1.01-1.03); p=0.005] as independent variables for death. Conclusion Stroke was one of the leading independent variables associated with mortality from all causes in the analysed sample, with a particularly unfavourable prognosis in patients with valvular CMP and in women with stroke. These findings highlight the importance of preventive and therapeutic strategies aimed at reducing the impact of stroke, especially in high-risk populations.Figure
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».