Physician-adherence to pharmacotherapy guidelines for chronic heart failure in a tertiary health facility in Lagos, Nigeria
Notice bibliographique
Résumé
Background: The increasing need for adherence evaluation of CHF amongst senior physicians in our environment prompted this study. Objective: To determine physician-adherence to pharmacotherapy guidelines in CHF in an economically resource-poor tertiary health facility. Methods: Review of prescription pattern of anti-CHF drug-class of 100 confirmed systolic-CHF patients was carried out. Data for adherence-evaluation were obtained from follow-up information from out-patient clinic-notes, while data on acute care medications and precipitating factors were from in-patient hospitalization notes. Results: CHF patients aged 54.7 ± 14.5 years, had NYHA III/IV symptoms (47%) and hypertension (61%). Anti-CHF pharmacotherapy averaged three drug-types; and consisted of ACEI/ARB (83%), β blockers-BB (48%), aldosterone antagonists (41%), CG (82%), and diuretics (75%). Adherence was assessed as good or complete in 50%, partial/ incomplete in 33%; but non-adherent in 17% of the total. While overall physician-adherence was 59.6% on single drug-classes, survival- advantage combinations with ACEI/ARB+BB and ACEI/ARB+BB+AA were present in 40% and 16% respectively. Older patients (≥ 65 years) had significantly lower prescriptions of all three classes of survival advantage anti-HF drugs, as follows: ACEI/ARB (56% versus 95%); BB (37.5% versus 52%); and AA (31% versus 63%) [p < .05]. Conclusion: BB and AA were under-prescribed. Physician-adherence to evidence-based anti-HF drug classes was variable and influenced by patient’s age. It was also comparable with reports from other countries. Our physicians will benefit from a structured HF education and feed-back program.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».