MétaCan
Menu
Retour à la cohorte
Enregistrement W3164177772 · doi:10.1093/europace/euab116.292

Assessing atrial fibrillation ablation priority during COVID-19 -does use of patient questionnaires help in stratification above physician assessment?

2021· article· en· W3164177772 sur OpenAlexaboutno aff
Charlene Pius, Hamaad Ahmad, Richard Snowdon, Reza Ashrafi, Johan Waktare, Zoltan Borbas, Vishal Luther, Saagar Mahida, Simon Modi, Mark Hall, Dhiraj Gupta, Derick Todd

Notice bibliographique

RevueEP Europace · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineAtrial fibrillationQuality of life (healthcare)Catheter ablationCoronavirus disease 2019 (COVID-19)Emergency medicineCanadian Cardiovascular SocietyPediatricsPhysical therapyInternal medicineDiseaseInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Abstract Funding Acknowledgements Type of funding sources: None. Introduction Catheter ablation for atrial fibrillation (AF) is largely offered for symptomatic relief. The ORBIT registry has shown that patients with a higher EHRA class and lower quality of life (QoL) scores (AFEQT score <65.7) are more likely to suffer emergency hospital admissions. To help prevent unplanned AF admissions and to best utilise the reduced capacity for elective work during the COVID-19 pandemic, it has become even more important to prioritise the most symptomatic AF patients for ablation. Purpose: To evaluate the accuracy of a subjective symptom-based clinician prioritisation schema compared to objective patient-completed quality of life (QoL) scores. Methods: In July 2020, all elective cases awaiting AF ablation at our institution were categorised by their cardiologist as either category 1 (C1-urgent), category 2 (C2–priority, procedure to be done during the ongoing COVID-19 pandemic) or category 3 (C3–routine, procedure may be delayed until post pandemic). This categorisation was based on review of clinic letters where EHRA AF symptom class or PROMS are not routinely recorded. All patients in C2 and C3 were then posted an AF specific (AFEQT) and a generic (EQ5D) QoL questionnaire to complete. Physicians were blinded to patient responses on the QoL questionnaires. Results: Details of physician prioritisation and completed questionnaires were available for 85 patients (62 ± 10 years, PAF in 61%, males 66%). The 18 patients that had been categorised in C2 (priority) group were found to have a significantly lower AFEQT score (30.4, IQR 17.2-51.9) compared to the 67 patients classed in C3 (routine) group (56.5, IQR 32.1-74.1; p < 0.01)(Figure 1a). EQ5D scores also tended to be lower in the C2 patients (0.7, IQR 0.4-0.8) compared to C3 (0.8, IQR 0.6-0.9; p = 0.056) (Figure 1c). 16 (89%) patients in C2 had significant AF-related impact on QoL (as defined as AFEQT score <65.7) compared to 42 (63%) of patients in C3. However, there was significant overlap between groups (Figure 1b). 4 patients in C3 had unplanned AF related hospital admissions while awaiting ablation, as compared to none in C2. The median AFEQT score of these 4 patients was 23.3, indicating that they were highly symptomatic despite being classified in C3 by their cardiologist. Conclusion : Physician assessments are moderately accurate in prioritising patients awaiting AF ablation. The addition of formal patient-completed QoL assessment such as with AFEQT, helps to identify the most symptomatic patients at risk of emergency hospital admission, and physicians should consider using these as part of routine assessment, especially during the COVID pandemic. Abstract Figure 1

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)0,004
score de la tête « metaresearch » (Gemma)0,007
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,099
Score d'incertitude au seuil0,834

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,242
Tête enseignante GPT0,442
Écart entre enseignants0,200 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEP EuropaceMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207