Cardiac rehabilitation delivery in low/middle-income countries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Cardiac rehabilitation (CR) availability, programme characteristics and barriers are not well-known in low/middle-income countries (LMICs). In this study, they were compared with high-income countries (HICs) and by CR funding source. METHODS: A cross-sectional online survey was administered to CR programmes globally. Need for CR was computed using incident ischaemic heart disease (IHD) estimates from the Global Burden of Disease study. General linear mixed models were performed. RESULTS: CR was identified in 55/138 (39.9%) LMICs; 47/55 (85.5% country response rate) countries participated and 335 (53.5% programme response) surveys were initiated. There was one CR spot for every 66 IHD patients in LMICs (vs 3.4 in HICs). CR was most often paid by patients in LMICs (n=212, 65.0%) versus government in HICs (n=444, 60.2%; p<0.001). Over 85% of programmes accepted guideline-indicated patients. Cardiologists (n=266, 89.3%), nurses (n=234, 79.6%; vs 544, 91.7% in HICs, p=0.001) and physiotherapists (n=233, 78.7%) were the most common providers on CR teams (mean=5.8±2.8/programme). Programmes offered 7.3±1.8/10 core components (vs 7.9±1.7 in HICs, p<0.01) over 33.7±30.7 sessions (significantly greater in publicly funded programmes; p<0.001). Publicly funded programmes were more likely to have social workers and psychologists on staff, and to offer tobacco cessation and psychosocial counselling. CONCLUSION: CR is only available in 40% of LMICs, but where offered is fairly consistent with guidelines. Governments should enact policies to reimburse CR so patients do not pay out-of-pocket.
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.
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) | 0,000 | 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 | 0,001 |
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 découle