Educational needs and application of guidelines in the management of patients with mitral regurgitation. A European mixed-methods study
Notice bibliographique
Résumé
Aims: To assess the knowledge and application of European Society of Cardiology (ESC) Guidelines in the management of mitral regurgitation (MR). Methods and results: A mixed-methods educational needs assessment was performed. Following a qualitative phase (interviews), an online survey was undertaken using three case scenarios (asymptomatic severe primary MR, symptomatic severe primary MR in the elderly, and severe secondary MR) in 115 primary care physicians (PCPs), and 439 cardiologists or cardiac surgeons from seven European countries. Systematic cardiac auscultation was performed by only 54% of clinicians in asymptomatic patients. Cardiologists appropriately interpreted echocardiographic assessment of mechanism and quantification of primary MR (≥75%), but only 44% recognized secondary MR as severe. In asymptomatic severe primary MR with an indication for surgery, 27% of PCPs did not refer the patient to a cardiologist and medical therapy was overused by 19% of cardiologists. In the elderly patient with severe symptomatic primary MR, 72% of cardiologists considered mitral intervention (transcatheter edge-to-edge valve repair in 72%). In severe symptomatic secondary MR, optimization of medical therapy was advised by only 51% of PCPs and 33% of cardiologists, and surgery considered in 30% of cases (transcatheter edge-to-edge repair in 64%). Conclusion: Systematic auscultation is underused by PCPs for the early detection of MR. Medical therapy is overused in primary MR and underused in secondary MR. Indications for interventions are appropriate in most patients with primary MR, but are unexpectedly frequent for secondary MR. These gaps identify important targets for future educational programs.
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 | 0,000 |
| 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) | 0,000 | 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 ».