Patient Knowledge of Coronary Risk Profile Improves the Effectiveness of Dyslipidemia Therapy
Notice bibliographique
Résumé
BACKGROUND: Despite increasing evidence that treating dyslipidemia reduces cardiovascular events, many patients do not achieve recommended lipid targets. METHODS: To determine whether showing physicians and patients the patient's calculated coronary risk can improve the effectiveness of treating dyslipidemia in a primary care setting, patients were randomized to receive usual care or ongoing feedback regarding their calculated coronary risk and the change in this risk after lifestyle changes, pharmacotherapy, or both to treat dyslipidemia. Outcomes, based on intention-to-treat analysis, included changes in blood lipid levels, coronary risk, and the frequency of reaching lipid targets. RESULTS: Two hundred thirty primary care physicians enrolled 3,053 patients. After 12 months of follow-up, 2,687 patients (88.0%) remained in the study. After adjustment for baseline lipid values, significantly greater mean reductions in low-density lipoprotein cholesterol levels and the total cholesterol to high-density lipoprotein cholesterol ratio were observed in patients receiving risk profiles (51.2 mg/dL [to convert to millimoles per liter, multiply by 0.0259] and 1.5, respectively) vs usual care (48.0 mg/dL and 1.3, respectively), but the differences were small (-3.3 mg/dL; 95% confidence interval [CI], -5.4 to -1.1 mg/dL; and -0.1; 95% CI, -0.2 to -0.1, respectively). Patients in the risk profile group were also more likely to reach lipid targets (odds ratio, 1.26; 95% CI, 1.07 to 1.48). A significant dose-response effect was also noted when the impact of the risk profile was stronger in those with worse profiles. CONCLUSIONS: Discussing coronary risk with the patient is associated with a small but measurable improvement in the efficacy of lipid therapy. The value of incorporating risk assessment in preventive care should be further evaluated.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».