Are there specific clinical characteristics associated with physician’s treatment choices in COPD?
Notice bibliographique
Résumé
BACKGROUND: The number of pharmacological agents and guidelines available for COPD has increased markedly but guidelines remain poorly followed. Understanding underlying clinical reasoning is challenging and could be informed by clinical characteristics associated with treatment prescriptions. METHODS: To determine whether COPD treatment choices by respiratory physicians correspond to specific patients' features, this study was performed in 1171 patients who had complete treatment and clinical characterisation data. Multiple statistical models were applied to explain five treatment categories: A: no COPD treatment or short-acting bronchodilator(s) only; B: one long-acting bronchodilator (beta2 agonist, LABA or anticholinergic agent, LAMA); C: LABA+LAMA; D: a LABA or LAMA + inhaled corticosteroid (ICS); E: triple therapy (LABA+LAMA+ICS). RESULTS: Mean FEV1 was 60% predicted. Triple therapy was prescribed to 32.9% (treatment category E) of patients and 29.8% received a combination of two treatments (treatment categories C or D); ICS-containing regimen were present for 44% of patients altogether. Single or dual bronchodilation were less frequently used (treatment categories B and C: 19% each). While lung function was associated with all treatment decisions, exacerbation history, scores of clinical impact and gender were associated with the prescription of > 1 maintenance treatment. Statistical models could predict treatment decisions with a < 35% error rate. CONCLUSION: In COPD, contrary to what has been previously reported in some studies, treatment choices by respiratory physicians appear rather rational since they can be largely explained by the patients' characteristics proposed to guide them in most recommendations.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».