Assessing Physician Barriers to Cardiac Rehabilitation Referral Rates in a Tertiary Teaching Centre
Notice bibliographique
Résumé
Introduction: Cardiac rehabilitation (CR) has a proven morbidity and mortality benefit, yet rates of referral remain low. We sought to elucidate the knowledge, utilization, referral, and endorsement practices of cardiac rehabilitation in a tertiary care centre. Methods: A 13-question survey was electronically distributed to all Internal Medicine residents, Cardiology residents and subspecialty fellows, General Internal Medicine attendings and Cardiology attendings practising in a tertiary care centre. The survey assessed the physicians’ knowledge of what CR entails, its benefits, patient eligibility and personal practices with respect to CR referral. Results: The survey was distributed to 153 physicians with a response rate of nearly 60 percent. Compared to their medicine counterparts, Cardiology residents and staff had significantly improved knowledge with respect to what CR entails and eligibility criteria for referral (6.92 vs. 6.11 out of 9, p=0.036; 12.04 vs. 10.76 out of 17, p = 0.013). Medicine residents and staff were less likely to be familiar with CR guidelines (72.02 vs. 32.69, p<0.01), and were less likely to discuss the importance of CR attendance with their patients (43.28 vs. 71.15, p=0.0002). A higher proportion of those in Medicine also reported being unsure of both how to refer eligible patients (59.12 vs. 13.46, p<0.0001) and which patients were eligible for CR (64.92 vs. 23.08, p<0.0001). Higher knowledge scores and familiarity with CR guidelines was associated with higher self-reported referral rates. Conclusion: This survey has identified clear physician barriers, most significant among internal medicine residents and staff. These barriers can help inform interventions to improve CR referral and enrolment rates.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».