Management of Cardiovascular Disease Risk Factors in Individuals with Chronic Spinal Cord Injury: An Evidence-Based Review
Notice bibliographique
Résumé
Clinical scenario: A 37-year-old man suffered a complete spinal cord injury (C8, American Spinal Injury Association Impairment Scale [ASIA] score A) 10 years ago in a car accident. Should primary prevention of cardiovascular disease be a priority in this patient? In order to answer this question, we performed a systematic review of the literature to inform an evidence-based clinical review. The objective was to provide a comprehensive and up-to-date review of the clinical management of cardiovascular disease (CVD) and risk factors for individuals with spinal cord injury (SCI). Comprehensive literature searches were performed. The quality of each study was assessed using the Physiotherapy Evidence Database Scale for randomized controlled trials, and the Downs and Black Scale for all other studies. Levels of evidence were assigned using a modified version of Sackett's scale. Our findings indicate that CVD is a critical issue in individuals with chronic SCI. Almost all risk factors for CVD are amplified in individuals with SCI, including physical inactivity, dyslipidemia, blood pressure irregularities, abnormal glycemic control, and chronic inflammation. However, there is a paucity of high-quality literature with respect to treatment outcomes in SCI-specific study populations (a total of 22 intervention studies in all of these categories combined) that allow for the development of evidence-informed clinical practice recommendations. These limitations notwithstanding, we present a series of contemporary practice suggestions with regard to CVD event risk modification in SCI patients. For optimal outcomes, health care providers should be cognizant of these heightened CVD risk factors and the resultant increased CVD morbidity and mortality in SCI patients. Despite the absence of high-quality evidence-based treatment strategies, clinicians should re-examine their own CVD risk factor treatment strategies to better reflect contemporary practice in similar high-CVD-event-risk patients and populations.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».