Pharmacist Interventions to Improve Cardiovascular Disease Risk Factors in Diabetes
Notice bibliographique
Résumé
OBJECTIVE: This systematic review and meta-analysis of randomized controlled trials (RCTs) assesses the effect of pharmacist care on cardiovascular disease (CVD) risk factors among outpatients with diabetes. RESEARCH DESIGN AND METHODS: MEDLINE, EMBASE, CINAHL, and the Cochrane Central Register of Controlled Trials were searched. Pharmacist interventions were classified, and a meta-analysis of mean changes of blood pressure (BP), total cholesterol (TC), LDL cholesterol, HDL cholesterol, and BMI was performed using random-effects models. RESULTS: The meta-analysis included 15 RCTs (9,111 outpatients) in which interventions were conducted exclusively by pharmacists in 8 studies and in collaboration with physicians, nurses, dietitians, or physical therapists in 7 studies. Pharmacist interventions included medication management, educational interventions, feedback to physicians, measurement of CVD risk factors, or patient-reminder systems. Compared with usual care, pharmacist care was associated with significant reductions for systolic BP (12 studies with 1,894 patients; -6.2 mmHg [95% CI -7.8 to -4.6]); diastolic BP (9 studies with 1,496 patients; -4.5 mmHg [-6.2 to -2.8]); TC (8 studies with 1,280 patients; -15.2 mg/dL [-24.7 to -5.7]); LDL cholesterol (9 studies with 8,084 patients; -11.7 mg/dL [-15.8 to -7.6]); and BMI (5 studies with 751 patients; -0.9 kg/m(2) [-1.7 to -0.1]). Pharmacist care was not associated with a significant change in HDL cholesterol (6 studies with 826 patients; 0.2 mg/dL [-1.9 to 2.4]). CONCLUSIONS: This meta-analysis supports pharmacist interventions-alone or in collaboration with other health care professionals-to improve major CVD risk factors among outpatients with diabetes.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».