Optimal Medical Therapy for Non–ST-Segment–Elevation Acute Coronary Syndromes
Notice bibliographique
Résumé
BACKGROUND: Acute coronary syndrome (ACS) patients in the highest risk categories are least likely to receive evidence-based treatments (EBTs). We sought to determine why physicians do not prescribe EBTs for patients with non-ST-segment-elevation ACSs and the factors determining use of these treatments after 1 year. METHODS AND RESULTS: One thousand nine hundred fifty-six non-ST-segment-elevation ACS patients were enrolled in the prospective, multicenter Canadian ACS registry II between October 2002 and December 2003. Each patient's physician gave reasons why guideline-indicated medication(s) was not prescribed during hospitalization. Medication use and reason(s) for discontinuation after 1 year were obtained by telephone interview of the patients. The commonest reason for not prescribing EBTs was "not high-enough risk" or "no evidence/guidelines to support use." However, Global Registry of Acute Coronary Events scores of patients not treated for this reason were often similar to or higher than those of patients prescribed such treatment. After 1 year, 77% of patients not on optimal ACS treatment at discharge remained without optimal treatment, and overall antiplatelet, β-blocker, and angiotensin-converting enzyme inhibitor use declined. Approximately one third of patients not taking EBTs had stopped their medication without instruction from their doctor. CONCLUSIONS: Nonprovision of EBTs may be due to subjective underestimation of patient risk and hence, likely treatment benefit. Oversights in care delivery were also apparent. Objective risk stratification, combined with efforts to ensure provision and adherence to EBTs, should be encouraged.
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 | 0,003 | 0,001 |
| 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 ».