Low Use of Oral Anticoagulant Prescribing for Secondary Stroke Prevention
Notice bibliographique
Résumé
BACKGROUND: Oral anticoagulation reduces the risk of stroke in atrial fibrillation but is often underused. OBJECTIVES: To identify factors associated with oral anticoagulant prescribing and adherence after stroke or transient ischemic attack (TIA). RESEARCH DESIGN: Retrospective cohort study using linked Ontario Stroke Registry and prescription claims data. SUBJECTS: Consecutive patients with atrial fibrillation and ischemic stroke/TIA admitted to 11 stroke centers in Ontario, Canada between 2003 and 2011. MEASURES: We used modified Poisson regression models to determine predictors of anticoagulant prescribing and multiple logistic regression to determine predictors of 1-year adherence. RESULTS: Of the 5781 patients in the study cohort, 4235 (73%) were prescribed oral anticoagulants at discharge. Older patients were less likely to receive anticoagulation [adjusted relative risk (aRR) for each additional year=0.997; 95% confidence interval (CI), 0.995-0.998], as were those with TIA compared with ischemic stroke (aRR=0.904; 95% CI, 0.865-0.945), prior gastrointestinal bleed (aRR=0.778; 95% CI, 0.693-0.873), dementia (aRR=0.912; 95% CI, 0.856-0.973), and those from a long-term care facility (aRR=0.810; 95% CI, 0.737-0.891). After limiting the sample to those without obvious contraindications to anticoagulation, age, dementia, and long-term care residence continued to be associated with lower prescription of oral anticoagulants. One-year adherence to therapy was similar across most patient groups. CONCLUSIONS: Age, dementia, and long-term care residence are predictors of lower oral anticoagulant use for secondary stroke prevention and represent key target areas for quality improvement initiatives.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».