Drug management for hypertension in type 2 diabetes in family practice.
Notice bibliographique
Résumé
OBJECTIVE: To describe the number and classes of antihypertensive medications prescribed to patients with type 2 diabetes in community family practices, and to estimate the aggressiveness or "dosage intensity" of prescribing for hypertension in these situations. DESIGN: Practice-based, cross-sectional observational study. SETTING: Seventeen rural and urban family practices in the Maritime Family Practice Research Network in Nova Scotia, New Brunswick, and Prince Edward Island. PARTICIPANTS: A total of 670 patients with type 2 diabetes, ranging from 25 to 92 years of age. MAIN OUTCOME MEASURES: Number, classes, and combinations of classes of antihypertensive medications prescribed, as well as an index of each medication's dosage intensity. RESULTS: Almost 80% of patients studied had hypertension. Participants with hypertension were taking an average of 2.5 medications, and 47.6% were taking 3 or more antihypertensive medications, but only 27.1% reached target blood pressure values of less than 130/80 mm Hg. Older patients took more antihypertensive medications, but there were no differences by sex. More than 90% were taking angiotensin-converting enzyme inhibitors or angiotensin receptor blockers, 66% were taking diuretics, 41% were taking beta-blockers, and 38% were taking calcium channel blockers. We cannot describe the sequence in which antihypertensive medication classes were added, but analysis of patients taking multiple drug classes suggests that most patients were started on angiotensin-converting enzyme inhibitors or angiotensin receptor blockers, followed by diuretics, beta-blockers, or calcium channel blockers. The most commonly used medications were prescribed at higher than two-thirds the maximum dose effective for hypertension. CONCLUSION: Hypertension is very common among family practice patients with type 2 diabetes; of those patients, few reach target blood pressures. Practice-based strategies to increase dosing and number of medications prescribed might be required.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 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 ».