How Well Are Hypertension, Hyperlipidemia, Diabetes, and Smoking Managed After a Stroke or Transient Ischemic Attack?
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Stroke prevention clinics (SPCs) are not usually involved with the active management of hypertension, hyperlipidemia, diabetes, and smoking. The effect of consultations generated at SPCs on the adequacy of the management of these risk factors for stroke has not been well described, and few studies have long-term follow-up. METHODS: We performed a prospective study of 119 consecutive patients referred to an SPC for secondary prevention. One year after their baseline visit, patients were re-evaluated for the adequacy of the management of the above risk factors, and the proportion of improvement was assessed. RESULTS: One-hundred twelve patients returned for their 1-year follow-up visit. Sixty-six were male, and the average age was 65 years. Hypertension was present in 83 patients, hyperlipidemia in 92, diabetes in 26, and smoking in 38, and 80 had multiple risk factors. At baseline, 66% of patients with hypertension, 17% of patients with hyperlipidemia, and 23% of diabetics had adequate management of their respective risk factors. During 1 year of follow-up, hypertension management improved 20% (P<0.001) and lipid management improved 32% (P<0.001). There was no significant improvement in diabetes management or smoking cessation. CONCLUSIONS: Although our understanding of the benefit of addressing hypertension, hyperlipidemia, diabetes, and smoking for secondary prevention of stroke is evolving, we found marked room for improvement in the management of these four risk factors. SPCs may need to be more actively involved in the management of these modifiable risk factors, if we are to significantly impact the risk of recurrent stroke.
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) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».