Nuclear cardiology in the UK: do we apply evidence based medicine?
Notice bibliographique
Résumé
oronary artery disease is one of the greatest health care problems facing the western industrialised nations. Each year in the UK coronary artery disease is responsible for approximately 125 000 deaths, 274 000 nonfatal myocardial infarctions, and 330 000 new presentations of angina. 1 There have been significant advances in coronary disease treatment over the last few years, with improvements in pharmacological therapy, percutaneous coronary intervention, and bypass surgery. It is therefore increasingly important to identify patients who will benefit from these approaches from the large number of people presenting with chest pain. The cost of identifying this group is putting health care systems under severe financial strain as much as the expense of the treatment itself. The importance of this issue was recognised by the UK government with the publication of its National Service Framework (NSF) for coronary heart disease document in 2000, linked to the provision of significant additional funding. 2 An extensive body of evidence has accumulated over the last 20 years demonstrating the ability of nuclear cardiology techniques, particularly myocardial perfusion imaging (MPI), to identify and risk stratify patients with coronary artery disease. Strategies which involve MPI in the investigation of patients with chest pain have been shown to be cost effective as well as clinically effective. 4-6 MPI is therefore a potentially valuable tool in a resource limited system such as the National Health Service (NHS) in the UK. This article will attempt to define a realistic evidence based role for MPI in UK cardiology and will then review current practice in terms of both the number and quality of investigations performed.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 |
| 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 ».