Improving Hypertension Outcome Measurement in Low- and Middle-Income Countries
Notice bibliographique
Résumé
High blood pressure is the leading modifiable risk factor for mortality, accounting for nearly 1 in 5 deaths worldwide and 1 in 11 in low-income countries. Hypertension control remains a challenge, especially in low-resource settings. One approach to improvement is the prioritization of patient-centered care. However, consensus on the outcomes that matter most to patients is lacking. We aimed to define a standard set of patient-centered outcomes for evaluating hypertension management in low- and middle-income countries. The International Consortium for Health Outcomes Measurement convened a Working Group of 18 experts and patients representing 15 countries. We used a modified Delphi process to reach consensus on a set of outcomes, case-mix variables, and a timeline to guide data collection. Literature reviews, patient interviews, a patient validation survey, and an open review by hypertension experts informed the set. The set contains 18 clinical and patient-reported outcomes that reflect patient priorities and evidence-based hypertension management and case-mix variables to allow comparisons between providers. The domains included are hypertension control, cardiovascular complications, health-related quality of life, financial burden of care, medication burden, satisfaction with care, health literacy, and health behaviors. We present a core list of outcomes for evaluating hypertension care. They account for the unique challenges healthcare providers and patients face in low- and middle-income countries, yet are relevant to all settings. We believe that it is a vital step toward international benchmarking in hypertension care and, ultimately, value-based hypertension management.
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 | 0,000 |
| 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 ».