Background: Recurrent ischemic events are mediated by atherosclerotic plaque instability, whereas death after an ischemic event results from gravity of insult and ability of the organism to adapt. The distinct nature of those types of events may respond for different prediction properties of clinical and anatomical information regarding type of outcome. Objective: To identify prognostic properties of clinical and anatomical data in respect of fatal and non-fatal outcomes of patients hospitalized with acute coronary syndromes (ACS). Methods: Patients consecutively admitted with ACS who underwent coronary angiography were recruited. The SYNTAX score was utilized as an anatomic model and the GRACE score as a clinical model. The predictive capacity of those scores was separately evaluated for prediction of non-fatal ischemic outcomes (infarction and refractory angina) and cardiovascular death during hospitalization. It was considered as significant a p-value <0,05. Results: EAmong 365 people, cardiovascular death was observed in 4,4% and incidence of non-fatal ischemic outcomes in 11%. For cardiovascular death, SYNTAX and GRACE score presented similar C-statistic of 0,80 (95% IC: 0,70-0,92) and 0,89 (95% IC 0,81-0,96), respectively-p = 0,19. As for non-fatal ischemic outcomes, the SYNTAX score presented a moderate predictive value (C-statistic = 0,64; 95%IC 0,55-0,73), whereas the GRACE score did not presented association with this type of outcome (C-statistic = 0,50; 95%IC 0,40-0,61)-p = 0,027. Conclusion: Clinical and anatomic models similarly predict cardiovascular death in ACS. However, recurrence of coronary instability is better predicted by anatomic variables than clinical data. (Arq Bras Cardiol. 2020; [online].ahead print, PP.0-0

ResumoFundamento: Os níveis plasmáticos de peptídeos natriuréticos cerebrais têm melhor precisão diagnóstica em comparação com a avaliação clínico-radiológica para insuficiência cardíaca aguda. Nas síndromes coronárias agudas (SCA), o valor prognóstico da insuficiência cardíaca aguda é incorporado nos modelos preditivos através da classificação de Killip. Não está estabelecido se o NT-proBNP poderia aumentar a previsão prognóstica. Objetivo: Avaliar se o NT-proBNP, como medida da disfunção ventricular esquerda, melhora o valor prognóstico intra-hospitalar do escore GRACE na SCA. Métodos: Foram incluídos no estudo pacientes admitidos por dor torácica aguda, com eletrocardiograma e/ou critérios de troponina para SCA. O nível plasmático de NT-proBNP foi medido no momento da admissão hospitalar e o desfecho primário foi definido como morte cardiovascular durante a hospitalização. Foi considerado significativo o valor de p < 0,05. Resultados: A mortalidade cardiovascular entre os 352 pacientes estudados foi de 4,8%. O valor preditivo do NT-proBNP para morte cardiovascular foi mostrado por uma estatística C de 0,78 (IC 95% = 0,65-0,90). Após o ajuste para o modelo GRACE subtraído pela variável Killip, o NT-proBNP permaneceu independentemente associado à morte cardiovascular (p = 0,015). No entanto, a discriminação pelo modelo logístico GRACE-BNP (estatística C = 0,83; IC 95% = 0,69-0,97) não foi superior ao escore GRACE tradicional com Killip (estatística C = 0,82; IC 95% = 0,68-0,97). O modelo GRACE-BNP não proporcionou melhora na classificação dos pacientes de alto risco pelo Escore GRACE (índice líquido de reclassificação = -0,15; p = 0,14). Conclusão: Apesar da associação estatística com a morte cardiovascular, não houve evidências de que o NT-proBNP aumente o valor prognóstico do escore GRACE na SCA. (Arq Bras Cardiol. 2020; [online].ahead print, PP.0-0) Palavras-chave: Síndrome Coronariana Aguda; Insuficiência Cardíaca; Peptídeo Natriurético Encefálico; Mortalidade; Disfunção Ventricular Esquerda; Biomarcadores. AbstractBackground: Plasma levels of brain natriuretic peptides have better diagnostic accuracy compared to clinical-radiologic judgment for acute heart failure. In acute coronary syndromes (ACS), the prognostic value of acute heart failure is incorporated into predictive models through Killip classification. It is not established whether NT-proBNP could increment prognostic prediction.Objective: To evaluate whether NT-proBNP, as a measure of left ventricular dysfunction, improves the in-hospital prognostic value of the GRACE score in ACS. Methods:Patients admitted due to acute chest pain, with electrocardiogram and/or troponin criteria for ACS were included in the study. The plasma level of NT-proBNP was measured at hospital admission and the primary endpoint was defined as cardiovascular death during hospitalization. P-value < 0.05 was considered as significant.Results: Among 352 patients studied, cardiovascular mortality was 4.8%. The predictive value of NT-proBNP for cardiovascular death was shown by ...

Fundamento: A análise prognóstica multivariada tem sido realizada tradicionalmente por modelos de regressão. No entanto, muitos algoritmos surgiram, capazes de traduzir uma infinidade de padrões em probabilidades. A acurácia dos modelos de inteligência artificial em comparação à de modelos estatísticos tradicionais não foi estabelecida na área médica. Objetivo: Testar a inteligência artificial como um algoritmo preciso na predição de doença coronariana no cenário de dor torácica aguda, e avaliar se seu desempenho é superior a do modelo estatístico tradicional. Métodos: Foi analisada uma amostra consecutiva de 962 pacientes admitidos com dor torácica. Dois modelos probabilísticos de doença coronariana foram construídos com os primeiros 2/3 dos pacientes: um algoritmo machine learning e um modelo logístico tradicional. O desempenho dessas duas estratégias preditivas foi avaliado no último terço de pacientes. O modelo final de regressão logística foi construído somente com variáveis significativas a um nível de significância de 5%. Resultados: A amostra de treinamento tinha idade média de 59 ± 15 anos, 58% do sexo masculino, e uma prevalência de doença coronariana de 52%. O modelo logístico foi composto de nove preditores independentes. O algoritmo machine learning foi composto por todos os candidatos a preditores. Na amostra teste, a área sob a curva ROC para predição de doença coronariana foi de 0,81 (IC95% = 0,77 -0,86) para o algoritmo machine learning, similar à obtida no modelo logístico (0,82; IC95% = 0,77 -0,87), p = 0,68. Conclusão: O presente estudo sugere que um modelo machine learning acurado não garante superioridade à um modelo estatístico tradicional

No abstract

There is agreement on the different aims of explanatory and pragmatic trials. But there is a large variation on methodological topics used to define a pragmatic trial, which led to inconsistency in defining the typical methodology of a pragmatic trial.

No abstract

No abstract