MétaCan
Menu
Retour à la cohorte
Enregistrement W2970435958 · doi:10.1001/jamacardio.2019.3066

Effectiveness of Interventions Aimed at Increasing Statin-Prescribing Rates in Primary Cardiovascular Disease Prevention

2019· review· en· W2970435958 sur OpenAlexafffund
Robert T. Sparrow, Anam Khan, Laura Legere, Dennis T. Ko, Cynthia A. Jackevicius, Shaun G. Goodman, Todd J. Anderson, Dawn Stacey, Ildiko Tiszovszky, Michael E. Farkouh, Jack V. Tu, Jacob A. Udell

Notice bibliographique

RevueJAMA Cardiology · 2019
Typereview
Langueen
DomaineMedicine
ThématiqueLipoproteins and Cardiovascular Health
Établissements canadiensWomen's College HospitalOttawa HospitalUniversity of OttawaLibin Cardiovascular Institute of AlbertaWestern UniversitySt. Michael's HospitalUniversity Health NetworkUniversity of TorontoSunnybrook Health Science CentreInstitute for Clinical Evaluative Sciences
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicineStatinCochrane LibraryPsychological interventionMEDLINERandomized controlled trialClinical trialMeta-analysisOdds ratioPublication biasFunnel plotDeprescribingInternal medicineNumber needed to treatPhysical therapyPolypharmacyEmergency medicineRelative riskConfidence intervalNursing

Résumé

récupéré en direct d'OpenAlex

Importance: Statins are a cornerstone medication in cardiovascular disease prevention, but their use in clinical practice remains suboptimal, with less than half of people who are indicated for statins actually taking the medication. Objective: To perform a systematic review and synthesis of the literature on patient-oriented and physician-oriented interventions aimed at increasing statin-prescribing rates in adults without a history of cardiovascular disease. Evidence Review: PubMed, Embase, and the Cochrane Library were searched for randomized clinical trials published between January 2000 and May 2019. Data abstraction was performed using the Cochrane Public Health Review Group's data collection template, and a narrative synthesis of study results was conducted. The risk of bias in each study was qualitatively assessed, and a funnel plot was created to further evaluate the risk of publication bias. Findings: Among 7948 citations and 128 full-text articles reviewed, 20 studies (of 109 807 patients) were included in the review. Eight trials reported a statistically significant increases in statin-prescribing rates. Among the effective trials, absolute effect sizes ranged from 4.2% (95% CI, 2.2%-6.4%) to 23% (95% CI, 7.3%-38.9%) and odds ratios from 1.29 (95% CI, 1.01-1.66) to 11.8 (95% CI, 8.8-15.9). Patient-education initiatives were the most commonly effective intervention, with 4 of 7 trials indicating increases in statin-prescribing rates. Two trials combined electronic decision-support tools with audit-and-feedback systems, both of which were effective overall. Physician-education programs without dynamic input regarding patient risk or updated treatment recommendations were generally found to be less effective. Conclusions and Relevance: While heterogeneous in their interventions and outcomes, a number of interventions have demonstrated increases in statin-prescribing rates, with patient-education initiatives demonstrating more promising results than those focused on physician education alone. As opposed to more education about generic recommendations, tailored patient-focused and physician-focused interventions were more effective when they provided personalized cardiovascular risk information, dynamic decision-support tools, or audit-and-feedback reports in a multicomponent program. There are a number of modestly successful approaches to implement increases in rates of statin prescribing, a proven yet underused cardiovascular disease prevention class of therapy.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,694
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0070,009
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,064
Tête enseignante GPT0,357
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJAMA CardiologyMême sujetLipoproteins and Cardiovascular HealthTravaux en français237 207