Stroke prevention for patients with atrial fibrillation: improving but not perfect yet
Notice bibliographique
Résumé
Atrial fibrillation (AF) is the most common cardiac rhythm disorder1 and one of the most important risk factors for stroke, particularly in the elderly. Stroke-related AF is associated with significant morbidity, mortality and healthcare costs.2 Although we have abundant evidence from randomised trials that anticoagulation, and to a lesser extent antiplatelet therapy, is highly efficacious in preventing stroke in patients with AF, these therapies remain underused, especially in older patients. With an ageing population and an AF prevalence that is rapidly rising,1 a better understanding of the stroke prevention practices in real-world settings is critically important to implement preventive strategies that will improve the outcomes and reduce healthcare costs. Cowan et al 3 report the results of their investigation on the use of stroke prevention therapy for management of AF among 1857 primary-care practices across England from July 2009 to March 2012. Using the Guidance on Risk Assessment and Stroke Prevention in AF (GRASP-AF) tool, they identified 231 833 patients with AF (1.76% of the total population studied) and characterised their risk profiles and antithrombotic therapies. The GRASP-AF tool is valuable for gathering patient data at the primary-care level, and this is a particular …
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 | 0,001 |
| 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 ».