EU-Wi<i>d</i>e Cross-Section<i>a</i>l Obser<i>v</i>at<i>i</i>o<i>n</i>al Study of Lipid-Modifying Therapy Use in Se<i>c</i>ondary and Pr<i>i</i>mary Care: the DA VINCI study
Notice bibliographique
Résumé
AIMS: To provide contemporary data on the implementation of European guideline recommendations for lipid-lowering therapies (LLTs) across different settings and populations and how this impacts low-density lipoprotein cholesterol (LDL-C) goal achievement. METHODS AND RESULTS: An 18 country, cross-sectional, observational study of patients prescribed LLT for primary or secondary prevention in primary or secondary care across Europe. Between June 2017 and November 2018, data were collected at a single visit, including LLT in the preceding 12 months and most recent LDL-C. Primary outcome was the achievement of risk-based 2016 European Society of Cardiology (ESC)/European Atherosclerosis Society (EAS) LDL-C goal while receiving stabilized LLT; 2019 goal achievement was also assessed. Overall, 5888 patients (3000 primary and 2888 secondary prevention patients) were enrolled; 54% [95% confidence interval (CI) 52-56] achieved their risk-based 2016 goal and 33% (95% CI 32-35) achieved their risk-based 2019 goal. High-intensity statin monotherapy was used in 20% and 38% of very high-risk primary and secondary prevention patients, respectively. Corresponding 2016 goal attainment was 22% and 45% (17% and 22% for 2019 goals) for very high-risk primary and secondary prevention patients, respectively. Use of moderate-high-intensity statins in combination with ezetimibe (9%), or any LLT with PCSK9 inhibitors (1%), was low; corresponding 2016 and 2019 goal attainment was 53% and 20% (ezetimibe combination), and 67% and 58% (PCSK9i combination). CONCLUSION: Gaps between clinical guidelines and clinical practice for lipid management across Europe persist, which will be exacerbated by the 2019 guidelines. Even with optimized statins, greater utilization of non-statin LLT is likely needed to reduce these gaps for patients at highest 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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».