Why are we failing to implement effective therapies in cardiovascular disease?
Notice bibliographique
Résumé
Worldwide, there are ~18 million deaths each year from cardiovascular disease and at least 2-3 times as many experience non-fatal cardiovascular events. Numerous evidence-based prevention and management guideline recommendations for cardiovascular disease are available. However, significant gaps between the evidence and its implementation persist ('evidence-practice gap'). There exist 'under-use' gaps with lack of implementation of proven effective strategies and 'over-use' gaps with inappropriate use of strategies with strong evidence against, or insufficient evidence for their effectiveness and safety. To better tackle the global burden of cardiovascular disease (CVD), more effective strategies are needed. We discuss three selected areas where advances in implementation research for CVD could provide improvements. First, a better assessment and understanding of the most important modifiable context-specific barriers to evidence-based care will allow optimal tailoring of interventions to overcome them. Second, novel community intervention strategies from outside current CVD research should be considered, especially for CVD areas where major barriers exist and little progress has been made. Examples of such interventions include cell phone text messaging, non-physician health workers for the delivery community CVD care in areas of need, and low-cost single-pill combination CVD therapy. Third, increasing our understanding of successful implementation and sustainability of improvements is essential for CVD as a widespread chronic disease. Learning how to better implement effective therapies for CVD will have a larger effect on patient outcomes than most single new drugs and is a priority for tackling the global burden of CVD.
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 | 0,031 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,008 |
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 ».