Permission to prescribe: do cardiologists need permission to prescribe diabetes medications that afford cardiovascular benefit?
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Antihyperglycemic therapies including sodium glucose contransporter-2 inhibitors (SGLT2i) and glucagon-like peptide-1 receptor agonists (GLP-1 RA) have been demonstrated to confer significant cardiovascular benefit and reduce future events in patients with type 2 diabetes mellitus (T2DM). However, despite positive data from cardiovascular outcome trials, these therapies remain underutilized in a large proportion of patients who have clinical indications and meet coverage guidelines for their initiation. One of the causes of the observed gap between scientific evidence and clinical cardiology practice is therapeutic hesitancy (otherwise known as therapeutic inertia). The purpose of this review is to discuss the contributors to therapeutic hesitancy in the implementation of these evidence-based therapies and, more importantly, provide pragmatic solutions to address these barriers. RECENT FINDINGS: Recent studies have demonstrated that clinicians may not initiate cardiovascular protective therapies due to a reluctance to overstep perceived interdisciplinary boundaries, concerns about causing harm due to medication side effects, and a sense of unfamiliarity with the optimal choice of therapy amidst a rapidly evolving landscape of T2DM therapies. SUMMARY: Herein, we describe a multifaceted approach aimed at creating a 'permission to prescribe' culture, developing integrated multidisciplinary models of care, enhancing trainees' experiences in cardiovascular disease prevention, and utilizing technology to motivate change. Taken together, these interventions should increase the implementation of evidence-based therapies and improve the quality of life and cardiovascular outcomes of individuals with T2DM.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».