Questo protocollo descrive un approccio per indagare gli effetti causali dei tratti metabolici cronici sull'ictus a piccoli vasi e per valutare il ruolo mediante della depressione utilizzando l'analisi di randomizzazione mendeliana.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
Indagine sugli effetti causali dei tratti metabolici cronici sull'ictus e sul ruolo mediatore della depressione: evidenze dalla randomizzazione mendeliana
* These authors contributed equally
In questo articolo
Sommario
Abstract
Tratti metabolici cronici come l'indice di massa corporea (BMI), l'obesità e il diabete di tipo 2 (T2D) sono fattori di rischio noti per le malattie cerebrovascolari. La depressione, spesso comorbida con disturbi metabolici, può mediare queste associazioni. È stata condotta un'analisi di randomizzazione mendeliana (RM) su due campioni per esaminare gli effetti causali del BMI geneticamente previsto, dell'obesità e del diabete tipo 2 sull'ictus a piccoli vasi (SVS) e il disturbo depressivo maggiore (MDD). La relazione tra depressione e SVS è stata ulteriormente valutata e è stata applicata un'analisi di mediazione RM in due fasi per esplorare se la depressione medi le associazioni tra tratti metabolici cronici e rischio di SVS. BMI più elevati, obesità e diabete di tipo 2 erano significativamente associati a un aumento del rischio di SVS (IMC: OR = 1,25, p = 1,27 × 10-3; Obesità: OR = 1,09, p = 0,032; T2D: OR = 1,17, p = 1,14 × 10-7). Tutti e tre i tratti aumentavano anche il rischio di MDD (IMC: o = 1,20, p = 3,31 × 10-10; Obesità: OR = 1,06, p = 0,006; T2D: OR = 1,03, p = 0,035). La MDD, a sua volta, ha aumentato il rischio di SVS (OR = 1,11, p = 0,035). Le analisi di mediazione indicarono che la depressione mostrava un potenziale effetto parziale mediante sull'associazione BMI–SVS (effetto indiretto = 0,019, p = 0,046), mentre la mediazione tramite obesità o T2D non era significativa. Questi risultati evidenziano l'importanza di affrontare la depressione comorbida negli individui con disturbi metabolici per ridurre il rischio cerebrovascolare.
Introduzione
L'ictus è una delle principali cause di mortalità e disabilità a livello mondiale, con una stima di 12 milioni di nuovi casi ogni anno e più di 100 milioni di persone che vivono con le sue conseguenze a lungotermine 1,2. Con l'invecchiamento della popolazione globale e la crescente prevalenza di condizioni legate allo stile di vita, si prevede che il carico dell'ictus aumenterà ulteriormente, portando a impatti significativi sulla salute e sulsocio-economico 1,2. Oltre a fattori di rischio ben consolidati come ipertensione, diabete, dislipidemia, fumo e obesità, le evidenze emergenti hanno suggerito che i disturbi psichiatrici, in particolare il disturbo depressivo maggiore (MDD), possono contribuire anch'essi al rischio diictus 3,4,5. Tuttavia, la complessa interazione tra malattie metaboliche, depressione e ictus rimane poco compresa.
La randomizzazione mendeliana (MR) utilizza varianti genetiche come variabili strumentali (IV) per ridurre la confusione e la causalità inversa, fornendo così un quadro più solido per l'inferenza causale rispetto agli studi osservazionaliconvenzionali 6. A differenza dei disegni osservazionali, che sono suscettibili a confondimento residuo, errore di misurazione e causalità inversa, la RM sfrutta l'allocazione casuale di varianti genetiche al momento del concepimento per approssimare un esperimento naturale. Inoltre, rispetto ad altri approcci di inferenza causale come i modelli di mediazione basati su regressione, la RM offre maggiore robustezza alla confusione non misurata, in particolare quando si studiano tratti complessi e interconnessi. Studi su larga scala di associazione genomica (GWAS) hanno permesso l'applicazione della risonanza magnetica a due campioni per indagare i legami causali tra tratti complessi e malattie a livello genetico. Studi precedenti sulla risonanza magnetica hanno dimostrato effetti causali di malattie metaboliche—come l'indice di massa corporea (BMI), l'obesità e il diabete di tipo 2 (T2D)—sull'ictus 7,8,9. Allo stesso modo, le evidenze genetiche supportano una relazione bidirezionale tra depressione eictus 10. Tuttavia, non è stato valutato sistematicamente se la depressione medi l'effetto delle malattie metaboliche sull'ictus.
Diversi potenziali meccanismi biologici supportano un ruolo mediatore della depressione. I disturbi metabolici cronici sono noti per promuovere infiammazione sistemica, disfunzione endoteliale e disregolazione dell'asse ipotalamo–ipofisi–surrenale, il che può aumentare la vulnerabilità alladepressione 11. A sua volta, la depressione è associata a fattori di rischio comportamentali (ad esempio, fumo, inattività fisica, cattiva alimentazione), squilibri autonomi, iperattività piastrinica e aumento della secrezione di cortisolo, tutti elementi che possono aumentare il rischio di ictus12,13. Studi osservazionali hanno tentato di affrontare queste vie, ma i risultati rimangono incoerenti a causa di confondimento, follow-up breve e erroredi misurazione 14. Di conseguenza, la natura causale del percorso malattia metabolica–depressione–ictus rimane poco chiara. Sebbene la RM possa rafforzare l'inferenza causale, non può chiarire pienamente meccanismi biologici dettagliati né informare direttamente gli interventi clinici, e la sua validità dipende da assunzioni chiave come l'assenza di pleiotropia orizzontale.
In questo studio, sono state investigate due ipotesi utilizzando analisi RM univariabili, multivariabili e in due fasi. Innanzitutto, sono state esaminate le associazioni causali tra i tratti metabolici (BMI, obesità e diabete di diabete tipica di tipo 2) e il rischio di ictus a piccoli vasi (SVS). In secondo luogo, è stato valutato il potenziale ruolo mediatore della depressione in queste associazioni e la proporzione mediata è stata quantificata. Questo quadro analitico è particolarmente adatto per districare gli effetti di mediazione tra tratti metabolici e psichiatrici correlati, poiché decompone gli effetti totali in componenti dirette e indirette, minimizzando al contempo il confondimento. Sfruttando statistiche riassuntive su larga scala del GWAS, questo studio fornisce nuove evidenze genetiche per chiarire l'interazione tra disturbi metabolici, depressione e SVS. Questi risultati potrebbero aiutare a identificare vie biologiche alla base del rischio di ictus e a informare strategie integrate di prevenzione che mirano sia alla salute metabolica che alla salute mentale.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Sono state condotte analisi di mediazione RM univariabile, multivariabile e in due fasi a due campioni per indagare se le malattie metaboliche croniche geneticamente predetti fossero causalmente associate al rischio SVS e per valutare la proporzione di mediazione tramite MDD. Il diagramma di flusso delle analisi MR in questo studio è mostrato nella Figura 1. Le caratteristiche dettagliate di tutti i dataset GWAS utilizzati in questo studio sono riassunte nella Tabella Supplementare 1. Le statistiche riassuntive GWAS sono state ottenute da un database pubblico (IEU OpenGWAS: https://gwas.mrcieu.ac.uk/) utilizzando una piattaforma software di analisi randomizzata mendeliana (vedi Tabella dei materiali) tramite le funzioni extract_instruments() e extract_outcome_data(). Le esposizioni includevano BMI15 (ebi-a-GCST90013974),obesità 16 (ieu-a-90) e diabete di tipo 2 (T2D; ebi-a-GCST006867). Il mediatore era il disturbo depressivo maggiore (MDD; ieu-a-1188)18, e l'esito era SVS (ebi-a-GCST006909). Tutti i dataset GWAS includevano individui di ascendenza prevalentemente europea per minimizzare il bias di stratificazione della popolazione.
Dati GWAS sui tratti metabolici cronici
Le malattie metaboliche croniche sono state esaminate come esposizioni, inclusi BMI, obesità e diabete di tipo 2. Le statistiche riassuntive GWAS per BMI15 (ebi-a-GCST90013974) eobesità 16 (ieu-a-90) sono state ottenute dal consorzio MRC-IEU e GIANT (ascendenza europea, fino a 407.609 individui per BMI e 32.858 casi/65.839 controlli per obesità). I dati sul diabetedi tipo 2 17 (ebi-a-GCST006867) sono stati derivati dal consorzio DIAGRAM (ascendenza europea, 62.892 casi/596.424 controlli). Questi dataset GWAS sono pubblicamente disponibili e si basano principalmente sulla Biobanca del Regno Unito e su altre grandi coorti.
Dati GWAS per la depressione
Per l'esito della depressione, sono state utilizzate le ultime statistiche riassuntive GWAS del Psychiatric Genomics Consortium (PGC) (ieu-a-1188)18 , inclusi 59.851 casi e 113.154 controlli di origine europea. La diagnosi di MDD nelle coorti incluse si basava su interviste cliniche strutturate o auto-rapporti validati secondo i criteri diagnostici DSM-III/IV o ICD-9/10. Gli individui con una storia di disturbo bipolare o schizofrenia sono stati esclusi.
Dati GWAS per SVS
Le statistiche riassuntive per l'ictus sono state ottenute dal consorzio MRC-IEU (ebi-a-GCST006909)19, che includeva fino a 5.386 casi e 192.662 controlli di ascendenza prevalentemente europea. SVS è stata definita sulla base della diagnosi medica e/o delle cartelle cliniche. Questo dataset è stato ampiamente utilizzato in studi di risonanza magnetica che indagano i fattori di rischio vascolare ed è pubblicamente disponibile.
Analisi statistica
Tutte le analisi sono state condotte in R (versione 4.1.2) utilizzando una piattaforma software di analisi randomizzata mendeliana (vedi Tabella dei materiali). La risonanza magnetica a due campioni è stata condotta utilizzando polimorfismi a nucleotide singolo (SNP) come variabili strumentali (IV), che devono soddisfare tre assunzioni fondamentali: rilevanza (associata all'esposizione), indipendenza (non associata ai confondenti) e restrizione di esclusione (che influenza l'esito solo attraverso l'esposizione)20,21,22. Gli SNP sono stati selezionati in base alla significanza genomica (p < 5 × 10-5), potatura a disequilibrio di collegamento (r2 < 0,001 entro una finestra di 10.000 kB) e F-statistica >10 per evitare un debole bias da strumento20,22. L'aggregazione LD è stata effettuata utilizzando il pannello di riferimento europeo del 1000 Genomes Project23. SNP palindromici e ambigui sono stati esclusi sia durante le procedure di estrazione dei dati che durante le procedure di armonizzazione. Durante l'estrazione dei dati di esito tramite la funzione extract_outcome_data(), gli SNP palindromici sono stati inizialmente mantenuti utilizzando funzioni di estrazione standard, e le informazioni sulla frequenza allerica sono state utilizzate per dedurre l'allineamento dei filamenti quando possibile. Gli SNP con frequenza allelica minore (MAF) inferiore a una soglia predefinita (ad esempio, MAF < 0,3) sono stati mantenuti, poiché l'orientamento del filo poteva essere dedotto con affidabilità, mentre quelli con frequenze alleli intermedie sono stati considerati ambigui. Durante la fase di armonizzazione attraverso la funzione harmonise_data(), sono stati esclusi SNP palindromici con orientamento ambiguo del filo—in particolare quelli con frequenze alleli intermedie—per garantire un allineamento coerente degli alleli di effetto tra dataset di esposizione, mediatori ed esiti. L'armonizzazione degli SNP è stata condotta tramite la funzione harmonise_data() per allineare gli alleli di effetto tra i dataset. Durante questo processo, i filamenti alleli sono stati allineati per garantire la coerenza e gli SNP con alleli incompatibili o ambiguità del filo sono stati esclusi. Dopo il filtraggio, sono stati mantenuti circa 600–800 SNP per l'IMC, 70–90 SNP per l'obesità e 326 SNP per il diabete di tipo 2 per analisi a valle (vedi Tabella 1 e Tabella 2).
Per la risonanza magnetica univariabile, il metodo principale utilizzato è stato ponderato per varianza inversa (IVW), che stima l'effetto causale combinando stime specifiche del rapporto SNP usando la ponderazione a varianza inversa sotto l'assunzione di nessuna pleiotropiaorizzontale 20. La pleiotropia è stata valutata utilizzando il test di intercettazione MR-Egger implementato tramite la funzione mr_pleiotropy(), con P < 0,05 che indica una potenziale pleiotropia orizzontale. L'eterogeneità è stata valutata utilizzando il test Q di Cochran, implementato tramite la funzione mr_heterogeneity(). Se veniva rilevata eterogeneità (P < 0,05), veniva applicato un modello IVW a effetti casuali; altrimenti, veniva utilizzato un modello IVW a effetti fissi. Per le analisi RM multivariate, gli SNP sono stati combinati tra esposizioni e mediatori. Gli alleli di effetto sono stati armonizzati utilizzando la funzione harmonise_data() tra i dataset di esposizione, mediatore ed esito, e l'analisi multivariata della IVW è stata eseguita come metodo principale.
Per tenere conto dei confronti multipli, è stata applicata la correzione del tasso di falsa scoperta (FDR) utilizzando il metodo di Benjamini–Hochberg tramite la funzione p.adajust() in R nelle principali analisi di randomizzazione mendeliana. In particolare, è stato effettuato un aggiustamento per il numero totale di test causali primari, inclusi gli effetti dei tratti metabolici sulla SVS (n = 3), i tratti metabolici sulla depressione (n = 3) e la depressione sulla SVS (n = 1), risultando in un totale di sette test. Sono stati calcolati i valori P aggiustati (valori q FDR) e la significatività statistica è stata interpretata considerando sia i valori nominali P sia quelli corretti su FDR. I risultati che rimanevano significativi dopo la correzione FDR furono considerati robusti, mentre quelli con significatività nominale furono interpretati con cautela.
Analisi della mediazione
Per le analisi di mediazione, è stato applicato un quadro di risonanza magnetica in due fasi per stimare gli effetti indiretti dei tratti metabolici cronici sulla SVS attraverso la depressione. Questo quadro è stato implementato effettuando due analisi MR sequenziali utilizzando statistiche riassuntive GWAS. In questo contesto, E indica l'esposizione (BMI, obesità o T2D), M indica il mediatore (depressione) e Y indica l'esito (SVS). Innanzitutto, è stato stimato l'effetto causale di ogni tratto metabolico cronico (BMI, obesità e diabete di tipo 2) sul mediatore (β (E
M)). In secondo luogo, è stato valutato l'effetto causale del mediatore sull'esito (β (MY)). L'effetto indiretto (effetto mediazione) è stato calcolato moltiplicando queste due stime:
e la proporzione mediata è stata derivata dividendo l'effetto indiretto per l'effetto totale
(Proporzione mediata = 
).
L'errore standard (SE) dell'effetto indiretto è stato stimato usando il metodo delta, assumendo l'indipendenza tra le due stime dell'effetto:
SE indiretto = 
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
Effetti causali dei tratti metabolici cronici sulla SVS
Nelle analisi RM univariate, BMI più elevati, obesità e diabete di tipo 2 geneticamente previsti erano tutti positivamente associati a un aumento del rischio di SVS. Le associazioni sono state coerenti tra le analisi di sensibilità, senza evidenza di una sostanziale pleiotropia orizzontale dal test di intercetta MR-Egger. Un BMI geneticamente più alto previsto era significativamente assoc...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
In questo studio sulla risonanza magnetica, sono state indagate sistematicamente le associazioni causali tra i principali tratti metabolici cronici (BMI, obesità e diabete di tipo 2), depressione e SVS. Lo studio evidenzia tre risultati chiave. Innanzitutto, BMI più elevati, obesità e diabete di tipo 2 geneticamente previsti erano causalmente associati a un aumento del rischio di SVS. In secondo luogo, questi tratti metabolici erano anch'essi associati a un rischio aumentato di depressio...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
Gli autori dichiarano di non avere interessi in competizione.
Ringraziamenti
Questo lavoro è stato supportato dal Programma di Scienza e Tecnologia di Jiaxing (2023AD11020, 2023AD11019, 2022AY30029, 2023AD31033) e dal Programma di Scienze e Tecnologie Mediche e Sanitarie dello Zhejiang (2024KY1689).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Software R (versione 4.1.2) | The R Foundation | https://www.r-project.org/ | Ambiente di calcolo statistico |
| Pacchetto TwoSampleMR (versione 0.6.22) | IEU OpenGWAS | https://mrcieu.github.io/TwoSampleMR/index.html | Piattaforma software per l'analisi di randomizzazione mendeliana |
Riferimenti
- GBD 2021 Stroke Risk Factor Collaborators. Global, regional, and national burden of stroke and its risk factors, 1990-2021: A systematic analysis for the global burden of disease study 2021. Lancet Neurol. 23 (10), 973-1003 (2024).
- Wang, C. H., Xin, Z. K. Causal association between 25-hydroxyvitamin d status and cataract development: A two-sample mendelian randomization study. World J Clin Cases. 12 (16), 2789-2795 (2024).
- Cai, H., et al. Major depression and small vessel stroke: A mendelian randomization analysis. J Neurol. 266 (11), 2859-2866 (2019).
- Harshfield, E. L., et al. Association between depressive symptoms and incident cardiovascular diseases. JAMA. 324 (23), 2396-2405 (2020).
- Penninx, B. W., Milaneschi, Y., Lamers, F., Vogelzangs, N. Understanding the somatic consequences of depression: Biological mechanisms and the role of depression symptom profile. BMC Med. 11, 129(2013).
- Davey Smith, G., Hemani, G. Mendelian randomization: Genetic anchors for causal inference in epidemiological studies. Hum Mol Genet. 23 (R1), R89-R98 (2014).
- Georgakis, M. K., et al. Diabetes mellitus, glycemic traits, and cerebrovascular disease: A mendelian randomization study. Neurology. 96 (13), e1732-e1742 (2021).
- Larsson, S. C., Bäck, M., Rees, J. M. B., Mason, A. M., Burgess, S. Body mass index and body composition in relation to 14 cardiovascular conditions in uk biobank: A mendelian randomization study. Eur Heart J. 41 (2), 221-226 (2020).
- Marini, S., et al. Mendelian randomization study of obesity and cerebrovascular disease. Ann Neurol. 87 (4), 516-524 (2020).
- Li, G. H., et al. Evaluation of bi-directional causal association between depression and cardiovascular diseases: A mendelian randomization study. Psychol Med. 52 (9), 1765-1776 (2022).
- Calagua-Bedoya, E. A., Rajasekaran, V., De Witte, L., Perez-Rodriguez, M. M. The role of inflammation in depression and beyond: A primer for clinicians. Curr Psychiatry Rep. 26 (10), 514-529 (2024).
- Hare, D. L., Toukhsati, S. R., Johansson, P., Jaarsma, T. Depression and cardiovascular disease: A clinical review. Eur Heart J. 35 (21), 1365-1372 (2014).
- Krittanawong, C., et al. Association of depression and cardiovascular disease. Am J Med. 136 (9), 881-895 (2023).
- Osborne, M. T., et al. Disentangling the links between psychosocial stress and cardiovascular disease. Circ Cardiovasc Imaging. 13 (8), e010931(2020).
- Mbatchou, J., et al. Computationally efficient whole-genome regression for quantitative and binary traits. Nat Genet. 53 (7), 1097-1103 (2021).
- Berndt, S. I., et al. Genome-wide meta-analysis identifies 11 new loci for anthropometric traits and provides insights into genetic architecture. Nat Genet. 45 (5), 501-512 (2013).
- Xue, A., et al. Genome-wide association analyses identify 143 risk variants and putative regulatory mechanisms for type 2 diabetes. Nat Commun. 9 (1), 2941(2018).
- Wray, N. R., et al. Genome-wide association analyses identify 44 risk variants and refine the genetic architecture of major depression. Nat Genet. 50 (5), 668-681 (2018).
- Malik, R., et al. Multiancestry genome-wide association study of 520,000 subjects identifies 32 loci associated with stroke and stroke subtypes. Nat Genet. 50 (4), 524-537 (2018).
- Burgess, S., Butterworth, A., Thompson, S. G. Mendelian randomization analysis with multiple genetic variants using summarized data. Genet Epidemiol. 37 (7), 658-665 (2013).
- Lawlor, D. A., Harbord, R. M., Sterne, J. A., Timpson, N., Davey Smith, G. Mendelian randomization: Using genes as instruments for making causal inferences in epidemiology. Stat Med. 27 (8), 1133-1163 (2008).
- Pierce, B. L., Ahsan, H., Vanderweele, T. J. Power and instrument strength requirements for mendelian randomization studies using multiple genetic variants. Int J Epidemiol. 40 (3), 740-752 (2011).
- Auton, A., et al. A global reference for human genetic variation. Nature. 526 (7571), 68-74 (2015).
- Bradley, S. A., et al. Role of diabetes in stroke: Recent advances in pathophysiology and clinical management. Diabetes Metab Res Rev. 38 (2), e3495(2022).
- Lau, L. H., Lew, J., Borschmann, K., Thijs, V., Ekinci, E. I. Prevalence of diabetes and its effects on stroke outcomes: A meta-analysis and literature review. J Diabetes Investig. 10 (3), 780-792 (2019).
- Lee, S. H., Jung, J. M., Park, M. H. Obesity paradox and stroke outcomes according to stroke subtype: A propensity score-matched analysis. Int J Obes (Lond). 47 (8), 669-676 (2023).
- Ye, J., et al. Association between the weight-adjusted waist index and stroke: A cross-sectional study. BMC Public Health. 23 (1), 1689(2023).
- Chehaibi, K., Hrira, M. Y., Trabelsi, I., Escolà-Gil, J. C., Slimane, M. N. Gene variant and level of il-1β in ischemic stroke patients with and without type 2 diabetes mellitus. J Mol Neurosci. 57 (3), 404-409 (2015).
- Chen, R., Yan, J., Liu, P., Wang, Z., Wang, C. Plasminogen activator inhibitor links obesity and thrombotic cerebrovascular diseases: The roles of pai-1 and obesity on stroke. Metab Brain Dis. 32 (3), 667-673 (2017).
- Letra, L., Sena, C. Cerebrovascular disease: Consequences of obesity-induced endothelial dysfunction. Adv Neurobiol. 19, 163-189 (2017).
- Campayo, A., Gómez-Biel, C. H., Lobo, A. Diabetes and depression. Curr Psychiatry Rep. 13 (1), 26-30 (2011).
- Milaneschi, Y., Simmons, W. K., Van Rossum, E. F. C., Penninx, B. W. Depression and obesity: Evidence of shared biological mechanisms. Mol Psychiatry. 24 (1), 18-33 (2019).
- Roy, T., Lloyd, C. E. Epidemiology of depression and diabetes: A systematic review. J Affect Disord. 142, S8-S21 (2012).
- Li, P., et al. Pramipexole improves depression-like behavior in diabetes mellitus with depression rats by inhibiting nlrp3 inflammasome-mediated neuroinflammation and preventing impaired neuroplasticity. J Affect Disord. 356, 586-596 (2024).
- Miller, A. H., Raison, C. L. The role of inflammation in depression: From evolutionary imperative to modern treatment target. Nat Rev Immunol. 16 (1), 22-34 (2016).
- Pan, A., Sun, Q., Okereke, O. I., Rexrode, K. M., Hu, F. B. Depression and risk of stroke morbidity and mortality: A meta-analysis and systematic review. JAMA. 306 (11), 1241-1249 (2011).
- Penninx, B. W. Depression and cardiovascular disease: Epidemiological evidence on their linking mechanisms. Neurosci Biobehav Rev. 74 (Pt B), 277-286 (2017).
- Whooley, M. A., Wong, J. M. Depression and cardiovascular disorders. Annu Rev Clin Psychol. 9, 327-354 (2013).
- Burgess, S., Scott, R. A., Timpson, N. J., Davey Smith, G., Thompson, S. G. Using published data in mendelian randomization: A blueprint for efficient identification of causal risk factors. Eur J Epidemiol. 30 (7), 543-552 (2015).
- Holmes, M. V., Ala-Korpela, M., Smith, G. D. Mendelian randomization in cardiometabolic disease: Challenges in evaluating causality. Nat Rev Cardiol. 14 (10), 577-590 (2017).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.