Outpatient Practice Patterns After Stroke Hospitalization Among Neurologists
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Care after stroke hospitalization can provide several opportunities to optimize vascular risk reduction. However, not much is known about poststroke practice patterns among neurologists. Such knowledge may help direct specific efforts to improve the impact of practicing neurologists on clinical outcomes after stroke. METHODS: A survey soliciting information on processes of care in the outpatient setting after recent hospitalization for ischemic stroke or transient ischemic attack was mailed to a random sample of 833 US and Canadian neurologist-members of the American Academy of Neurology. RESULTS: A total of 475 (57%) responses were received. Practice demographics of survey responders and nonresponders were largely similar. Fourteen percent of respondents identified themselves as vascular neurologists. Overall, respondents reported frequently checking for medication adherence and counseling patients on lifestyle modification. However, neurologists reported screening more frequently for diabetes, hypertension, and dyslipidemia than actually treating these conditions (all P<0.0001) Vascular neurologists were more likely than general neurologists to screen for hypertension (97% versus 86%, P=0.016), dyslipidemia (94% versus 68%, P<0.001), diabetes (89% versus 62%, P<0.001), and sleep apnea (94% versus 79%, P=0.007) as well as to treat hypertension (71% versus 45%, P<0.001), dyslipidemia (82% versus 50%, P<0.001), diabetes (45% versus 21%, P<0.001), and current smoking (77% versus 59%, P=0.005). Neurologists with mostly government-insured and uninsured patients were significantly more likely to engage in vascular risk reduction treatment than neurologists with mostly commercially insured patients. CONCLUSIONS: Self-reported rates of screening and treatment of major vascular risk factors by most neurologists after stroke hospitalization are substantial but not universal. Bridging knowledge gaps or adopting a systematic management approach in coordination with primary care physicians could help optimize poststroke care.
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 | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».