Notice bibliographique
Résumé
Cardiovascular disease (CVD) is the leading cause of death worldwide. Advancements in acute CVD treatments have resulted in high prevalence of patients living with CVD who are at high risk of recurrence and mortality. This burden of CVD has been great in high-income countries for decades, and is now reaching epidemic proportions in low and middle-income countries (LMICs). Cardiac rehabilitation (CR) is an outpatient model of chronic disease management for secondary CVD prevention. Robust evidence demonstrates that CR participation reduces mortality by 25%, morbidity and CVD risk factors and improves quality of life, all in a cost-effective manner.1 Hence, CR serves as a key tool in addressing the global burden of CVD. Despite clinical practice guideline recommendations for CR, it is underused globally. The reasons for CR underuse are well known, and include factors from the patient-level through to the healthcare system writ large. Arguably, the most important factors explaining CR underutilisation are geographic access, cost, patient time conflicts during work hours due to role obligations, and lack of awareness regarding the nature of CR and the associated benefits. To overcome these barriers, alternative models of CR delivery have been developed—most notably home-based CR. Home-based CR involves delivery of all the core components of traditional CR; however, patients are supported in their education and are provided counselling over the phone, and they engage in their prescribed exercise in an unsupervised setting. Participation in home-based CR is associated with equivalent benefits to supervised programmes in a cost-effective manner. With advances in technology, hybrid home-based programmes have been developed, incorporating email communication between patients and CR providers, telehealth videoconferencing with remote patients, and logging of physical activity on secure CR websites, for example. Most recently, CR has been delivered via mobile phones. Indeed, the article by Varnfield et al 2 describes …
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,096 | 0,036 |
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 source (Gemma direct ou Codex distillé), 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 ».