Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

hindawi
Volume Penelitian dan Praktik Kardiologi 2020,
ID Artikel 2469281, 6 halaman https://doi.org/
10.1155/2020/2469281

Artikel Penelitian
Perbandingan Model Risiko CAMI-NSTEMI dan GRACE untuk
Memprediksi Mortalitas Di Rumah Sakit pada Pasien Infark
Miokard Elevasi Non-ST-Segmen China

Peng Wang,1,2 Hongliang Cong,1 YingZhang,1 dan Yujie Liu1

1Universitas Kedokteran Tianjin, Tianjin, Tiongkok
2Departemen Kardiologi, Rumah Sakit Dada Tianjin, Tianjin, China

Korespondensi harus ditujukan ke Hongliang Cong; chlwenzhang@126.com

Diterima 24 April 2020; Direvisi 13 Juni 2020; Diterima 18 Juni 2020; Dipublikasikan 24 Juli 2020

Editor Akademik: Robert Chen

Copyright © 2020 Peng Wang dkk. *adalah artikel akses terbuka yang didistribusikan di bawah Lisensi Atribusi Creative Commons, yang
mengizinkan penggunaan, distribusi, dan reproduksi tanpa batas dalam media apa pun, asalkan karya aslinya dikutip dengan benar.

pengantar. *Kemampuan model risiko untuk memprediksi kematian di rumah sakit dan pengaruhnya pada strategi terapi hilir
belum sepenuhnya diselidiki pada pasien infark miokard elevasi non-ST-segmen (NSTEMI) Cina. *kami, kami berusaha untuk
memvalidasi dan membandingkan kinerja model risiko Global Registry of Acute Coronary Events (GRM) dan model risiko Infark
Miokard Akut China (CRM) dan menyelidiki dampak dari dua model pada pemilihan strategi terapi hilir di antara ini pasien.Metode.
Kami mengidentifikasi 2587 pasien berturut-turut dengan NSTEMI. * Titik akhir primer adalah kematian di rumah sakit. Untuk
setiap pasien, perkiraan kematian dihitung menurut GRM dan CRM, masing-masing. * Area di bawah kurva karakteristik operasi
penerima (AUC), uji Hosmer–Lemeshow (H–L), dan peningkatan reklasifikasi bersih (NRI) digunakan untuk menilai kinerja model.
Hasil. Kematian di rumah sakit terjadi pada 4,89% (126/2587) pasien. Dibandingkan dengan GRM, CRM menunjukkan AUC yang
lebih besar (0,809 versus 0,752,P<0.0001), lebih sedikit perbedaan antara kematian yang diamati dan yang diprediksi (H-L χ2: 22,71
untuk GRM, P 0.0038 dan 10,25 untuk CRM, P 0.2479), dan NRI positif (0,3311, P<0.0001), menghasilkan perubahan signifikan dari
strategi terapi hilir. Kesimpulan. Pada pasien NSTEMI Cina, CRM memberikan estimasi yang lebih akurat untuk kematian di rumah
sakit, dan penerapan CRM alih-alih GRM mengubah strategi terapi hilir secara luar biasa.

1. Perkenalan Namun, beberapa pengamatan menunjukkan bahwa

Segmen non-ST ketinggian miokard
(NSTEMI) adalah penyebab utama kematian, morbiditas, dan
rawat inap dari penyakit kardiovaskular baik di seluruh dunia
dan di Cina, yang memiliki pengaruh besar pada ekonomi
kesehatan [1-4]. Sayangnya, pasien NSTEMI dengan risiko yang
lebih rendah daripada yang lebih tinggi lebih mungkin untuk
menerima strategi terapi yang lebih agresif, yang disebut
paradoks pengobatan risiko [5-7]. Untuk mengurangi dampak
paradoks ini, pedoman saat ini mempertimbangkan penilaian
risiko oleh model risiko Global Registry of Acute Coronary
Events (GRACE) sebagai komponen mendasar untuk memilih
strategi terapi yang paling tepat untuk pasien NSTEMI [1–3].
kinerja model risiko GRACE (GRM) tidak memuaskan
infark di antara pasien NSTEMI Cina [8, 9]. Ulang-
Baru-baru ini, model risiko baru telah dikembangkan untuk
evaluasi risiko pasien NSTEMI [8] berdasarkan data
multicenter dari registri Infark Miokard Akut China (CAMI)
[10]. Sampai saat ini, model risiko CAMI-NSTEMI (CRM)
belum divalidasi secara sistematis dalam kohort eksternal.
Selain itu, belum sepenuhnya ditunjukkan bagaimana model
penilaian risiko ini memengaruhi manajemen klinis. * kami,
penelitian ini cenderung untuk memvalidasi dan
membandingkan kinerja GRM dan CRM dan menyelidiki
dampak dari dua model yang diusulkan pada pemilihan
strategi terapi hilir pada pasien NSTEMI Cina.
2 Penelitian dan Praktik Kardiologi
2. Bahan-bahan dan metode-metode
2.1. Peserta Studi.*Rincian kriteria inklusi dan eksklusi untuk
peserta penelitian diilustrasikan pada Gambar 1. Menurut
pedoman terbaru, NSTEMI didefinisikan sebagai gejala
iskemia dan deteksi peningkatan nilai troponin jantung
tanpa elevasi segmen ST baru yang persisten [1- 3]. *tiga
ribu dua puluh lima pasien dengan diagnosis klinis primer
NSTEMI dimasukkan. *id, pasien dikeluarkan jika mereka
memenuhi salah satu kriteria berikut: data hilang (217),
penyakit menular akut atau kronis (116), kanker (68), dan
penyakit serebrovaskular akut (37). Di antara 217 pasien
yang dikeluarkan dari analisis untuk data yang hilang,
riwayat medis untuk 68% (147/217), hasil tes darah untuk
28% (61/217), dan presentasi klinis untuk 24% (52/217) tidak
tersedia. . Akhirnya, 2.587 pasien dilibatkan dalam penelitian
ini dan dibagi menjadi kelompok kelangsungan hidup dan
kematian di rumah sakit. *adalah studi observasional yang
sesuai dengan Deklarasi Helsinki dan disetujui oleh Komite
Etik setempat.
2.2. Pengumpulan Data dan Definisi.*Variabel berikut didaftarkan
melalui tinjauan rekam medis elektronik: usia, jenis kelamin, riwayat
diabetes mellitus, hipertensi, hiperlipidemia, merokok,
revaskularisasi sebelumnya, dan infark miokard sebelumnya. *e
indeks massa tubuh (BMI), kelas Killip, detak jantung (HR), tekanan
darah sistolik (SBP), kreatinin (Cr), jumlah sel darah putih (WBC),
henti jantung, dan depresi segmen ST pada 18- elektrokardiogram
timbal saat masuk juga dicatat. Hiperlipidemia didefinisikan sebagai
kolesterol total minimal 220mg/dl, kolesterol lipoprotein densitas
rendah minimal 140mg/dl, trigliserida puasa minimal 150mm/dl,
atau menerima pengobatan dengan agen penurun lipid oral.
Diabetes didefinisikan sebagai kadar glukosa puasa lebih dari
7mmol/l atau pengobatan saat ini dengan diet, agen penurun
glukosa oral, atau insulin. *Status merokok meliputi perokok saat
ini, bukan perokok, dan perokok sebelumnya (berhenti >6 bulan). *
Titik akhir utama dari penelitian ini adalah kematian di rumah sakit,
yang didefinisikan sebagai semua penyebab kematian selama rawat
inap.
2.3. Penilaian Risiko oleh CRM dan GRM.*e GRM termasuk 8
faktor risiko independen: usia, kelas Killip, SBP, depresi
segmen ST, henti jantung, Cr, temuan enzim jantung awal,
dan HR [11]. *Temuan enzim jantung awal positif karena
semua pasien telah didiagnosis dengan NSTEMI. Menurut
GRM dan rekomendasi pedoman, kami mengklasifikasikan
pasien menjadi 3 kelompok risiko: kelompok risiko rendah,
sedang, dan tinggi [1]. *e CRM mengidentifikasi 11 prediktor
independen kematian di rumah sakit: usia, BMI, SBP, kelas
Killip, henti jantung, depresi segmen ST, Cr, status merokok
WBC, MI sebelumnya, dan intervensi koroner perkutan
sebelumnya, dan semua pasien diklasifikasikan menjadi 3
kelompok risiko berdasarkan CRM [8].
2.4. Analisis statistik.Semua analisis statistik dilakukan
oleh MedCalc (versi 15.2.2; MedCalc Software,
Mariakerke, Belgia) dan R (versi 3.2.4; R Foundation for
Komputasi Statistik, Wina, Austria). Sebuah dua ekorPnilai
kurang dari 0,05 dianggap signifikan secara statistik. Variabel
kontinu dibandingkan dengan menggunakan Student'sT-tes
atau Mann–Whitney kamu-tes sebagaimana mestinya. Hitung
variabel dinilai menggunakanχ2-test atau uji eksak Fisher yang
sesuai. *adalah studi yang melakukan validasi dan
perbandingan model prediksi multivariabel yang diikuti secara
ketat Pelaporan Transparan Model Prediksi Multivariabel untuk
Prognosis atau Diagnosis Individu (TRIPOD): pernyataan
TRIPOD [12]. Untuk memvalidasi dan membandingkan nilai
prediktif GRM dan CRM, kami menggunakan tiga karakteristik:
diskriminasi, kalibrasi, dan klasifikasi [13]. Diskriminasi mengacu
pada seberapa baik model membedakan mereka yang memiliki
titik akhir dari mereka yang tidak memiliki.
* Area di bawah kurva karakteristik penerima-operator (AUC)
digunakan untuk mengukur peningkatan diskriminasi [14].
Kalibrasi mencerminkan sejauh mana nilai yang diprediksi oleh
model sesuai dengan nilai yang diamati. Kami menggunakan
tes Hosmer-Lemeshow (H-L) yang membagi pasien menjadi
sepuluh kelompok menurut desil kematian dan menghitung
statistik chi-kuadrat (H-Lχ2) untuk menilai kalibrasi [15]. Karena
pemilihan strategi terapi hilir biasanya didasarkan pada
klasifikasi risiko, kami membuat tabel reklasifikasi untuk
mengevaluasi peningkatan reklasifikasi bersih (NRI),
menentukan seberapa benar model mengklasifikasi ulang
pasien ke dalam berbagai kategori risiko dibandingkan dengan
yang lain [16].
3. Hasil
Karakteristik dasar dari kohort studi tercantum dalam Tabel 1. Secara
keseluruhan, kematian di rumah sakit terjadi pada 4,89% (126/2587)
pasien. Dibandingkan dengan kelompok yang bertahan hidup di rumah
sakit, kelompok yang meninggal di rumah sakit lebih tua, memiliki lebih
banyak laki-laki, BMI dan SBP lebih rendah, dan prevalensi diabetes
mellitus, hipertensi, perokok aktif, serangan jantung, kelas Killip tinggi,
dan depresi segmen-ST yang lebih tinggi. . Juga, HR, Cr, WBC, dan
troponin T lebih tinggi pada kelompok yang meninggal di rumah sakit.
Semua perbedaan itu signifikan secara statistik (P<0.05).
* Kurva karakteristik penerima-operator dari 2 model
ditunjukkan pada Gambar 2. *e AUC untuk CRM (0,809, interval
kepercayaan 95%: 0,789 hingga 0,829, P<0.0001) secara
signifikan (P<0.0001) lebih besar dari GRM (0,752, interval
kepercayaan 95%: 0,729 hingga 0,774, P<0.0001).
* E prediksi kematian dibandingkan dengan yang diamati
mortalitas dalam desil perkiraan mortalitas seperti yang
diilustrasikan pada Gambar 3. *e GRM menunjukkan dominasi
perkiraan yang terlalu rendah, menghasilkan kalibrasi yang
buruk (H–L χ2 22.71,P 0.0038). *Perbedaan antara mortalitas
yang diamati dan yang diprediksi tidak terlihat pada plot
kalibrasi H–L untuk CRM, sehingga kalibrasi CRM baik (H–Lχ2
10.25, P 0.2479).
Tabel 2 menunjukkan tabel reklasifikasi yang membandingkan CRM
dengan GRM. Untuk 126 pasien positif, dibandingkan dengan GRM, CRM
dengan benar mengklasifikasi ulang 23 dari kategori risiko sedang ke
tinggi, 12 dari rendah ke tinggi, dan 6 dari rendah ke sedang, tetapi 2
dari sedang ke rendah dan 2 dari tinggi ke sedang. Dari 2.461 pasien
negatif, 174 direklasifikasi dengan benar ke kategori risiko yang lebih
rendah tetapi 82 ke PTP yang lebih tinggi.
Penelitian dan Praktik Kardiologi 3

11.695 pasien yang dirawat dengan gejala iskemik akut

3025 pasien dengan diagnosis NSTEMI

438 pasien dikeluarkan

217 untuk data yang hilang
116 untuk penyakit menular
68 untuk kanker
37 untuk penyakit serebrovaskular akut

2.587 pasien termasuk dalam analisis

2461 kelangsungan hidup di rumah sakit 126 meninggal di rumah sakit

Angka 1: *e diagram alir. NSTEMI: infark miokard dengan elevasi segmen non-ST.

Meja 1: Karakteristik dasar pasien yang meninggal vs. selamat.

Ciri Jumlah (n 2587) Meninggal di rumah sakit (n 126) Kelangsungan hidup di rumah sakit (n 2461) P nilai
Usia 61.91±10.97 72.84±10.69 61,35±9.74 <0,0001
Pria 1290 (50) 84 (67) 1206 (49) 0,0001
IMT (kg/m2) 21.24±3.91 21.14±3.23 23.25±3.74 <0,0001
Diabetes mellitus 540 (21) 48 (38) 492 (20) <0,0001
Hipertensi 1462 (57) 84 (67) 1378 (56) 0,0194
Hiperlipidemia 587 (23) 21 (17) 566 (23) 0.1146
revaskularisasi sebelumnya
PCI 185 (7) 3 (3) 182 (7) 0,0628
CABG 45 (1.7) 1 (1) 44 (1.8) 0,5846
MI sebelumnya 325 (12) 30 (24) 295 (12) 0,0027
Status merokok <0,0001
perokok saat ini 855 (33) 18 (14) 837 (34)
perokok sebelumnya 393 (15) 24 (19) 369 (15)
Bukan perokok 1339 (52) 84 (67) 1255 (51)
HR (denyut/menit) 78,94±29.47 90,01±27.23 78.37±21.14 <0,0001
SBP (mmHg) 127.70±34.93 109.24±33.73 128.65±22.19 <0,0001
kr (μperempuan jalang) 85,67±98.64 144. 64±93.17 82,65±63.38 <0,0001
WBC (109/L) 8.33±8.07 16. 45±7.66 7.91±4.25 <0,0001
Troponin T (ug/l) 0,26±2.24 1.47±4.28 0,20±1.37 <0,0001
Gagal jantung 58 (2) 9 (7) 49 (2) 0,0007
Kelas Killip <0,0001
Saya 1598 (62) 23 (18) 1575 (64)
II 463 (18) 20 (16) 443 (18)
AKU AKU AKU 329 (13) 34 (27) 295 (12)
IV 197 (7) 49 (39) 148 (6)
Depresi segmen ST 1315 (51) 84 (67) 1231 (50) 0,0003
Nilai disajikan sebagai mean SD atau n (%). BMI: indeks massa tubuh; CABG: pencangkokan bypass arteri koroner; PCI: intervensi koroner perkutan; MI:
±infark miokard; SDM: dia tingkat seni; SBP: tekanan darah sistolik; Kr: cr makan; WBC: jumlah sel darah putih.
4 Penelitian dan Praktik Kardiologi

100

80

60

Kepekaan
40

20

0
0 20 40 60 80 100
100-spesifisitas

CRM
grm
Angka 2: Perbandingan 2 model berdasarkan kurva karakteristik pengoperasian receiver. GRM: model risiko GRACE; CRM: Model risiko CAMI-NSTEMI.

0,20 0,20

0.15 0.15
Prediksi kematian oleh GRM

Mortalitas yang diprediksi oleh CRM

0,10 0,10

0,05 0,05

0.00 0.00
0.00 0,05 0,10 0.15 0,20 0.00 0,05 0,10 0.15 0,20
Mengamatimatiality Mortalitas yang diamati

(A) (B)

gambar Re 3: Predi Cted dan ob disajikan mo rtalitas oleh d perkiraan kematian. GRM: model risiko GRACE; CRM: Model risiko CAMI-NSTEMI.

Sebagai hasil, co Mdikupas GR

kategori ory. M, NRI untuk kematian yang diamati dan diprediksi, dan NRI positif.
CRM adalah 0,29 37 di pos itif, 0,03 74 di neg aktif, dan 0,3311 Perlu dicatat bahwa penerapan CRM alih-alih GRM
Hai
veraII (P<0. 0001) Hai Tdia w Hai
Rds, t di sini Prenda dari
. Di dalam dapat secara nyata mengubah strategi terapi hilir
GM
R By CRM untuk e very2587/(2 3 +12+ 6 + 174)≈13 pasien pada pasien NESTEMI ini.
woulD Rhasil Sayan 1 cokre T reclas sificat Saya
pada. Dibandingkan dengan pasien infark miokard elevasi
segmen ST (STEMI), pasien NSTEMI hadir dengan variasi
4. Dadalah
CussiHnai yang lebih heterogen dalam risiko iskemik dan komorbiditas
sehingga klasifikasi risiko telah dianggap sebagai
* adalah analisis observasional menentukan bahwa CRM pro- komponen mendasar untuk memilih strategi terapi yang
vIndo
de Alagi eefeksudah p rde iktio nf atau sayan- hos Pkematian ital di paling tepat untuk pasien NSTEMI [1- 3, 17]. Namun, dalam
Chinese NESTEMI nts C Hai
MpaRed tHai GRM, itu
menepuk
yaitu praktik klinis, paradoks risiko pengobatan tersebar luas
cm
R DemonSTdinilai alargeh AU C S cakramRepansi antara , kurang [5-7], yang sebagian disebabkan oleh risiko suboptimal.
Penelitian dan Praktik Kardiologi 5

Meja 2: Tabel klasifikasi ulang membandingkan CRM dengan GRM.

Kategori risiko berdasarkan

Klasifikasi ulang*
CRM Total NRIkan P
Rendah Medium Tinggi Ke atas Turun
Kategori risiko berdasarkan
pasien GRM Negatif 0,0333 0,0707 0.3311 <0,0001
Rendah 932 37 38 1007
Medium 156 871 7 1034
Tinggi 6 12 402 420
Total 1094 920 447 2461
pasien positifkan 0,3254 0,0317
Rendah 1 6 12 19
Medium 2 3 23 28
Tinggi 0 2 77 79
Total 3 11 112 126
**Klasifikasipasien oleh CRM dibandingkan dengan yang dilakukan oleh GRM. kanNRI (P (Naik|Positif)-P (Turun|Positif)]-[ P (Naik|Negatif)-P (Turun| Negatif)). kan
Pasien positif didefinisikan sebagai pasien yang meninggal di rumah sakit. NRI: peningkatan reklasifikasi bersih; GRM: model risiko GRACE; CRM: Model risiko
CAMI-NSTEMI.

penilaian meremehkan risiko iskemik [18, 19], terutama
di Cina [4, 6, 20]. Sesuai dengan ini, menurut plot
kalibrasi H-L dalam penelitian ini, GRM secara dramatis
meremehkan kematian di rumah sakit dan
mengklasifikasikan hampir 40% kematian di rumah sakit
ke dalam kategori risiko rendah atau menengah, yang
dapat menyebabkan kurang digunakannya tindakan
invasif. strategi untuk pasien berisiko tinggi [1, 2]. Dua
alasan mungkin berpotensi menjelaskan kinerja yang
tidak menguntungkan ketika menerapkan GRM pada
pasien NSTEMI Cina. Pertama, GRM dikembangkan pada
pasien terutama dari Amerika, Eropa dan Australia dua
puluh tahun yang lalu [11]. * ada perbedaan yang
signifikan dalam karakteristik dan manajemen antara ini
dan pasien Cina kontemporer [3, 11]. Kedua, GRM
dikembangkan untuk menilai risiko pasien dengan
sindrom koroner akut, termasuk STEMI, NSTEMI,
Untuk mengatasi keterbatasan yang disebutkan di atas,
CRM dikembangkan untuk memprediksi kematian di rumah
sakit, terutama untuk pasien NSTEMI Cina, dan kinerja
diagnostiknya lebih unggul daripada GRM dalam dua studi
validasi internal menggunakan data dari registri CAMI [8, 9] .
Upaya kami selanjutnya memperluas kesimpulan ini dalam
kelompok validasi eksternal dengan menunjukkan AUC yang
lebih besar, NRI positif, dan lebih sedikit ketidaksepakatan
antara kematian yang diamati dan diprediksi untuk CRM. Selain
itu, GRM mengklasifikasikan 15% (19/126) kematian di rumah
sakit ke dalam kategori risiko rendah, di mana strategi invasif
tidak direkomendasikan menurut pedoman saat ini dan 22%
(28/126) ke dalam kategori risiko sedang, untuk dimana strategi
invasif segera (<2 jam) dan awal (<24 jam) tidak
direkomendasikan [1]. Menggunakan CRM sebagai ganti GRM
akan menyiratkan perubahan signifikan untuk strategi terapi
hilir pada kematian di rumah sakit: 87% (36/47) dari pasien ini
akan direklasifikasi ke dalam kategori risiko yang lebih tinggi, di
mana strategi yang lebih agresif direkomendasikan. *kami,
penerapan CRM alih-alih GRM mungkin memiliki potensi untuk
mengoptimalkan rujukan intervensi agresif dan mengarah pada
pengurangan nyata paradoks risiko pengobatan pada pasien
NSTEMI.
* adalah studi menjadi sasaran keterbatasan single-
pusat, retrospektif, dan desain observasional.
*Indikasi manajemen klinis dan strategi terapi hilir
didasarkan pada keputusan masing-masing dokter.
* kami, ketidaksesuaian strategis manajemen hilir untuk
pasien NSTEMI tidak boleh diabaikan, dan dampak
sebenarnya dari penerapan CRM itu rumit. Untuk
menyelidiki lebih lanjut generalisasi dan keandalan
strategi terapi terpandu CRM, diperlukan uji coba kontrol
acak yang lebih pragmatis dan hemat biaya, seperti Studi
Intervensi Skor Risiko UK GRACE (UKGRIS) [21].
5. Kesimpulan
Pada pasien NSTEMI Cina, CRM memberikan estimasi
yang lebih efektif untuk kematian di rumah sakit karena
peningkatan diskriminasi, klasifikasi, dan kalibrasi
dibandingkan dengan GRM. *Penerapan CRM alih-alih
GRM dapat mengubah strategi diagnostik dan potensi
untuk mengoptimalkan rujukan intervensi yang lebih
agresif.
Ketersediaan Data
* Data yang digunakan untuk mendukung temuan
penelitian ini tersedia dari penulis terkait atas permintaan.
Konflik kepentingan
* e penulis menyatakan bahwa mereka tidak memiliki konflik kepentingan.
ucapan terima kasih
* studi ini didanai oleh Proyek Utama Rencana
Dukungan Ilmiah dan Teknologi Tianjin pada tahun 2018
(No.16ZXMJSY00140).
Referensi
[1] M. Roffi, C. Patrono, J.-P. Collet et al., “Pedoman ESC 2015
untuk pengelolaan sindrom koroner akut pada pasien
6 Penelitian dan Praktik Kardiologi

muncul tanpa elevasi segmen ST yang persisten, ” Jurnal kurva karakteristik operasi: pendekatan nonparametrik, "
Jantung Eropa, vol. 37, tidak. 3, hlm. 267–315, 2016. Biometrik, vol. 44, tidak. 3, hlm. 837–845, 1988.
[2] EA Amsterdam, NK Wenger, RG Brindis et al., “Pedoman [15] AA Kramer dan JE Zimmerman, "Menilai kalibrasi tolok ukur
AHA/ACC 2014 untuk pengelolaan pasien dengan sindrom kematian dalam perawatan kritis: uji Hosmer-Lemeshow
koroner akut non-ST-elevasi: laporan dari American College ditinjau kembali," Kedokteran Perawatan Kritis, vol. 35, tidak. 9,
of Cardiology/American Heart Association Task Force hlm. 2052–2056, 2007.
tentang pedoman praktek” Jurnal American College of [16] MJ Pencina, RB D'Agostino Sr., RB D'Agostino Jr., dan
Cardiology, vol. 64, tidak. 24, hlm. e139–e228, 2014. RS Vasan, “Mengevaluasi kemampuan prediksi tambahan dari penanda
[3] D. Zhao, J. Liu, M. Wang, X. Zhang, dan M. Zhou, baru: dari area di bawah kurva ROC hingga klasifikasi ulang dan
"Epidemiologi penyakit kardiovaskular di Cina: fitur dan seterusnya,” Statistik dalam Kedokteran, vol. 27, tidak. 2, hlm. 157-172,
implikasi saat ini," Ulasan Alam Kardiologi, vol. 16, tidak. 4, 2008.
hlm. 203–212, 2019. [17] AW Schoenenberger, D. Radovanovic, S. Windecker et al.,
[4] Q. Zhang, D. Zhao, W. Xie et al., “Tren terbaru dalam rawat “Tren temporal dalam pengobatan dan hasil pasien lanjut
inap untuk infark miokard akut di beijing: meningkatkan usia dengan sindrom koroner akut,” Jurnal Jantung Eropa,
beban keseluruhan dan transisi dari elevasi segmen ST ke vol. 37, tidak. 16, hlm. 1304–1311, 2016.
infark miokard elevasi non-ST-segmen dalam studi [18] DP Chew, G. Junbo, W. Parsonage et al., "Persepsi risiko
berbasis populasi,” Kedokteran (Baltimore), vol. 95, tidak. 5, kejadian iskemik dan perdarahan pada sindrom koroner
ID Artikel e2677, 2016. akut,"Sirkulasi Kualitas dan Hasil Kardiovaskular, vol. 6,
[5] M. Hall, OJ Bebb, TB Dondo et al., “Pedoman pengobatan tidak. 3, hlm. 299–308, 2013.
dan diagnostik, skor risiko GRACE, dan kelangsungan [19] I. Ahrens, O. Averkov, EC Zuniga et al., “Pengobatan invasif
hidup untuk infark miokard non-ST elevasi,” Jurnal Jantung dan antiplatelet pada pasien dengan infark miokard
Eropa, vol. 39, tidak. 42, hlm. 3798–3806, 2018. dengan elevasi segmen non-ST: memahami dan mengatasi
[6] Q. Yang, Y. Wang, J. Liu et al., “Strategi manajemen invasif paradoks pengobatan risiko global,” Kardiologi Klinis, vol.
dan perawatan antitrombotik pada pasien dengan sindrom 42, tidak. 10, hlm. 1028-1040, 2019.
koroner akut non-ST-elevasi segmen di Cina: temuan dari [20] W. Leng, J. Yang, X. Fan et al., “Manajemen invasif kontemporer
Proyek CCC yang meningkat (perawatan untuk penyakit dan hasil di rumah sakit pasien dengan infark miokard dengan
kardiovaskular di Cina),” Sirkulasi Intervensi Kardiovaskular elevasi segmen non-ST di China: temuan dari China Acute
, vol. 10, tidak. 6, 2017. Myocardial Infarction (CAMI) Pendaftaran,” Jurnal Jantung
[7] A. Saar, T. Marandi, T. Ainla, K. Fischer, M. Blondal, dan Amerika, vol. 215, hlm. 1–11, 2019.
J. Eha, "*e paradoks pengobatan risiko pada pasien infark [21] CC Everett, KA Fox, C. Reynolds et al., “Evaluasi dampak skor
miokard non-ST-elevasi menurut perkiraan risiko GRACE risiko GRACE pada manajemen dan hasil pasien yang
mereka," Jurnal Kardiologi Internasional, vol. 272, hlm. 26– dirawat di rumah sakit dengan sindrom koroner akut non-
32, 2018. ST elevasi di Inggris: protokol UKGRIS uji coba berbasis
[8] R. Fu, C. Song, J. Yang et al., “Alat baru yang diturunkan dari registri acak-cluster,” BMJ Terbuka, vol. 9, tidak. 9, ID
register infark miokard akut CAMI-NSTEMI untuk Artikel e032165, 2019.
memprediksi kematian di rumah sakit pada pasien infark
miokard dengan elevasi segmen non-ST,” Jurnal Sirkulasi:
Jurnal Resmi Masyarakat Sirkulasi Jepang, vol. 82, tidak. 7,
hlm. 1884–1891, 2018.
[9] C. Song, R. Fu, S. Li et al., “Skor risiko sederhana
berdasarkan registri infark miokard akut China untuk
memprediksi kematian di rumah sakit di antara pasien
dengan infark miokard elevasi segmen non-ST: hasil
prospektif studi kohort observasional,” BMJ Terbuka, vol. 9,
tidak. 9, ID Artikel e030772, 2019.
[10] H. Xu, W. Li, J. Yang et al., “*e China Acute Myocardial
Infarction (CAMI) Registry: platform terintegrasi penelitian-
pendidikan jangka panjang nasional untuk mengeksplorasi
infark miokard akut di China,” Jurnal Jantung Amerika, vol.
175, hlm. 193–201.e3, 2016.
[11] CB Granger, RJ Goldberg, O. Dabbous et al., "Prediktor
kematian rumah sakit di registri global kejadian koroner
akut," Arsip Ilmu Penyakit Dalam, vol. 163, tidak. 19, hlm.
2345–2353, 2003.
[12] GS Collins, JB Reitsma, Ditjen Altman, dan
KGM Moons, “Pelaporan transparan dari model prediksi
multivariabel untuk prognosis atau diagnosis individu
(TRIPOD): pernyataan TRIPOD. *e grup TRIPOD,”Sirkulasi,
vol. 131, tidak. 2, hlm. 211–219, 2015.
[13] AC Alba, T. Agoritsas, M. Walsh et al., "Diskriminasi dan kalibrasi
model prediksi klinis: panduan pengguna untuk literatur
medis," JAMA, vol. 318, tidak. 14, hlm.1377–1384, 2017.
[14] ER DeLong, DM DeLong, dan DL Clarke-Pearson, “Membandingkan
area di bawah dua atau lebih penerima yang berkorelasi