Suboptimal use of risk reduction therapy in peripheral arterial disease patients at a major teaching hospital
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Current evidence suggests that modification of atherosclerosis risk factors plays an important role in reducing adverse cardiovascular outcomes in patients with peripheral arterial disease (PAD). This study was undertaken to determine whether patients in this high-risk group were adequately using risk factor modification therapy. DESIGN AND SETTING: Prospective study of consecutive patients with PAD from a teaching hospital. PATIENTS AND METHODS: The collected data included information about atherosclerotic risk factors and utilization of risk factor modification therapy RESULTS: The 391 patients had a mean (standard deviation of 3 (1) atherosclerotic risk factors. Hypertension was identified in 56.8% of patients (222/391), of whom only 37.4% (83/222) had adequate blood pressure control (BP <140/90 mm Hg). The prevalence of diabetes mellitus (DM) was 35 % (137/391). Among patients with DM, only 49% (67/137) had adequate blood glucose control (glycosylated hemoglobin, HbA1c <7%). Statins were currently prescribed in 61% of patients (238/391), 38.7% (92/238) of whom continued to have low-density lipoprotein (LDL) >2.5 mmol/L, compared to a rate of 76.5% (117/153) among non-statin users (P<.001). The majority of patients of patients ( 72.4%; 283/391) were overweight/obese. Many patients (67.3%; 263/391) were nonsmokers; however, most (73.4%; 193/263) had a history of smoking. Antiplatelets were prescribed for 78.3% of patients (306/391), of whom 70.6% (216/306) were taking aspirin. Angiotensin converting enzyme (ACE) inhibitors were prescribed for 44.8% of patients (175/391). Among rampril users, only 36.8% of patients (53/144) were on an optimal dose. CONCLUSION: Although atherosclerotic risk factors were prevalent in patients with PAD, we found that patients received sub-optimal use of risk reduction treatments. Effective strategies to encourage health professionals to use these adjunctive therapies need to be developed.
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 | 0,003 |
| 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 | 0,001 | 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) | 0,003 | 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 ».