A Patient-Led Referral Strategy for Cardiovascular Screening of Family and Household Members at the Time of Cardiac Intensive Care Unit Admission
Notice bibliographique
Résumé
BackgroundScreening relatives of patients with ischemic heart disease can identify over half of the population with poorly controlled cardiovascular (CV) risk factors. Family or household members (FMs) may be highly motivated to undergo CV primary prevention screening at the time of their relative’s admission to the Cardiovascular Intensive Care Unit (CICU).MethodsPatients aged ≤ 70 years admitted to a tertiary CICU for an acute coronary event were given a letter to refer FMs for CV screening. Interested FMs underwent CV risk-factor assessment and primary prevention counselling. The objectives were to identify FMs with an intermediate or high modified 10-year Framingham risk score (FRS) and to evaluate whether a family-oriented primary prevention strategy improved CV risk.ResultsThere were 51 CV probands who referred 101 FMs (62 family, 39 household; mean age: 44.8 ± 15.3; 65 (64.4%) female) for screening. One-third of FMs aged ≥ 30 years (n = 28 of 84; 32.1%) had a new diagnosis of either hypertension, diabetes, or dyslipidemia. Nearly half of FMs (n = 38; 45.2%) had an intermediate or high modified Framingham 10-year CV risk. In FMs aged ≥ 30 years attending the 6-month follow-up (51 of 84; 60.7%), the mean FRS decreased by 4.6% (from 13.2% ± 12.7 to 8.6% ± 10.0, P < 0.001), and 30.4% (7 of 23) of FMs had a low FRS who had initially had an intermediate or high FRS.ConclusionsA patient-led referral strategy at the time of CICU admission led to a high rate of identification of previously undiagnosed CV risk factors in FMs. Implementing a similar referral program on a larger scale could identify a considerable burden of CV risk.
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 | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».