A proposed algorithm for diagnosing hypertension using automated office blood pressure measurement
Notice bibliographique
Résumé
OBJECTIVE: To validate an algorithm for the interpretation of automated office blood pressure (AOBP) measurement based upon data from untreated patients referred by physicians in the community for 24-h ambulatory blood pressure monitoring (ABPM). METHODS: An algorithm for interpreting AOBP readings was developed taking into account the previously documented equivalence of AOBP and mean awake ambulatory BP (ABP; mmHg), which were each classified as optimum BP (<130/80), borderline BP (130-139/80-89) and hypertension (>or=140/90). This classification was applied to data derived from 254 untreated patients undergoing 24-h ABPM, AOBP and routine manual BP taken at the patient's own family physician's office. RESULTS: The mean awake ABP (135.3 +/- 12.4/81.0 +/- 10.2) was similar to the mean AOBP (132.6 +/- 17.4/80.0 +/- 11.1) with both values being significantly (P < 0.001) lower than the routine manual BP (149.7 +/- 15.2/89.3 +/- 9.5). Of the 69 patients with a systolic AOBP at least 140, only five (7.3%) exhibited white-coat hypertension with a normal mean awake ambulatory systolic BP less than 130. Similarly, of the 47 patients with a diastolic AOBP at least 90, none had optimum BP (diastolic BP < 80 mmHg on ABPM). White-coat hypertension was significantly (P = 0.005/P = 0.006) more prevalent for systolic/diastolic BP (22.1%/13.4%) when routine, manual BP readings were analysed. CONCLUSION: In contrast to routine manual office BP, a diagnosis of hypertension by AOBP is unlikely to be associated with an optimum awake ABP.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».