Ischaemic cardiovascular risk and prescription of non-steroidal anti-inflammatory drugs for musculoskeletal complaints
Notice bibliographique
Résumé
OBJECTIVE: To determine the influence of ischaemic cardiovascular (CV) risk on prescription of non-steroidal anti-inflammatory drugs (NSAIDs) by general practitioners (GPs) in patients with musculoskeletal complaints. DESIGN: Cohort study. SETTING: A healthcare database containing the electronic GP medical records of over one million patients throughout the Netherlands. PATIENTS: A total of 474 201 adults consulting their GP with a new musculoskeletal complaint between 2000 and 2010. Patients were considered at high CV risk if they had a history of myocardial infarction, angina pectoris, stroke, transient ischaemic attack, or peripheral arterial disease, and at low CV risk if they had no CV risk factors. MAIN OUTCOME MEASURES: Frequency of prescription of non-selective (ns)NSAIDs and selective cyclooxygenase-2 inhibitors (coxibs). RESULTS: Overall, 24.4% of patients were prescribed an nsNSAID and 1.4% a coxib. Of the 41,483 patients with a high CV risk, 19.9% received an nsNSAID and 2.2% a coxib. These patients were more likely to be prescribed a coxib than patients with a low CV risk (OR 1.9, 95% CI 1.8-2.0). Prescription of nsNSAIDs decreased over time in all risk groups and was lower in patients with a high CV risk than in patients with a low CV risk (OR 0.8, 95% CI 0.7-0.8). CONCLUSION: Overall, patients with a high CV risk were less likely to be prescribed an NSAID for musculoskeletal complaints than patients with a low CV risk. Nevertheless, one in five high CV risk patients received an NSAID, indicating that there is still room for improvement.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».