Cardiac rehabilitation delivery in low/middle-income countries
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».