Temporal trends in peripheral arterial interventions: Observations from the blue cross blue shield of Michigan cardiovascular consortium (BMC2 PVI)
Notice bibliographique
Résumé
OBJECTIVES: The aim is to examine trends in procedural indication, arterial beds treated, and device usage in peripheral arterial interventions (PVIs). BACKGROUND: There is little data on indication, vascular beds treated and devices utilized for peripheral arterial interventions. METHODS: We used data from 43 hospitals participating in the BMC2 VIC registry. PVIs were separated by year and divided by arterial segment. Lower extremity PVIs were subclassified as having been performed for claudication or critical limb ischemia (CLI). Yearly device usage was also included. A repeated measure ANOVA was used to determine trends. RESULTS: 44,650 PVIs were performed from 2006 to 2013. Renal interventions decreased from 18% of interventions in 2006 to 5.6% in 2013 (P < 0.001) and femoral-popliteal increased from 54.9% in 2006 to 64.5% in 2013 (P < 0.001). No significant trend was seen for aorta-iliac or below-the-knee interventions. 58.6% of PVIs were performed for claudication in 2006 and this decreased to 44.6% in 2013 (P = 0.025). Indications for CLI were 24.1% in 2006 and 47.5% in 2013 (P < 0.001). There were significant increases in the use of balloon angioplasty (P = 0.029) and cutting/scoring balloons (P < 0.001) while cryoballoon usage decreased (P < 0.001). No significant changes were found with stenting, atherectomy, and laser. CONCLUSIONS: There is a significant increase in patients presenting with CLI. Renal artery intervention rates are decreasing while femoral-popliteal interventions are increasing. Additionally, balloon angioplasty and cutting/scoring balloon usage is increasing. © 2017 Wiley Periodicals, Inc.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| 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) | 0,000 | 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 ».