Control of Cardiovascular Risk Factors in Patients with Chronic Obstructive Pulmonary Disease
Notice bibliographique
Résumé
Abstract Rationale Cardiovascular disease accounts for one-third of deaths in patients with chronic obstructive pulmonary disease (COPD). Better control of cardiovascular risk factors in primary care could improve outcomes. Objectives To define the prevalence, monitoring, treatment, and control of risk factors in patients with COPD. Methods Repeated cross-sectional analysis of primary care electronic medical records for all patients with COPD in the Canadian Primary Care Sentinel Surveillance Network from 2013 to 2018 (n = 32,695 in 2018). A control group was matched 1:1 for age, sex, and rural residence (n = 32,638 in 2018). Five risk factors were defined using validated definitions including laboratory results: hypertension, dyslipidemia, diabetes, obesity, and smoking. Results All risk factors were more common in patients with COPD compared with matched control subjects, including hypertension (52.3% vs. 44.9%), dyslipidemia (62.0% vs. 57.8%), diabetes (25.0% vs. 20.2%), obesity (40.8% vs. 36.8%), and smoking (40.9% vs. 11.4%), respectively. The mean Framingham risk score was 20.6% versus 18.6%, with 53.8% of patients with COPD being high risk (⩾20%). Monitoring of risk factors within the last year in patients with COPD in 2018 was suboptimal: 71.8% hypertension, 39.4% dyslipidemia, 74.5% diabetes, 52.3% obesity. Smoking status was infrequently recorded in the electronic record. In those monitored, guideline recommended targets were achieved in 60.8%, 46.6%, 57.4%, 10.6% and 12.0% for each risk factor. Cardiovascular therapies including angiotensin-converting enzyme inhibitors (69%), statins (69%), and smoking cessation therapies (27%) were underused. Conclusions In patients with COPD, major cardiovascular risk factors are common, yet inadequately monitored, undertreated, and poorly controlled. Strategies are needed to improve comprehensive risk factor management proven to reduce cardiovascular morbidity and mortality.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».