International percutaneous coronary intervention complication survey
Notice bibliographique
Résumé
OBJECTIVES: To investigate the perceptions of interventional cardiologists (IC) regarding the frequency, impact, and management strategies of percutaneous coronary intervention (PCI) complications. BACKGROUND: The perceptions and management strategies of ICs of PCI complications have received limited study. METHODS: Online survey on PCI complications: 46 questions were distributed via email lists and Twitter to ICs. RESULTS: Of 11,663 contacts, 821 responded (7% response rate): 60% were from the United States and the median age was 46-50 years. Annual PCI case numbers were <100 (26%), 100-199 (37%), 200-299 (21%), and ≥300 (16%); 42% do not perform structural interventions, others reported performing <40 (30%), or >100 (11%) structural cases annually. On a scale of 0-10, participating ICs were highly concerned about potential complications with a median score of 7.2 (interquartile range: 5.0-8.7). The most feared complication was death (39%), followed by coronary perforation (26%) and stroke (9%). Covered stents were never deployed by 21%, and 32% deployed at least one during the past year; 79% have never used fat to seal perforations; 64% have never used coils for perforations. Complications were attributed to higher patient/angiographic complexity by 68% and seen as opportunities for improvement by 70%; 97% of participants were interested in learning more about the management of PCI complications. The most useful learning methods were meetings (66%), webinars (48%), YouTube (32%), and Twitter (29%). CONCLUSION: ICs who participated in the survey are highly concerned about complications. Following complication management algorithms and having access to more experienced operators might alleviate stress and optimize patient outcomes.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».