Abstract 189: Implementing Systematic Screening Driven By Quality Improvement Education (QIE) For Atrial Fibrillation During The Covid-19 Pandemic: Insight From Primary Care Setting In The United States
Notice bibliographique
Résumé
Background: Asymptomatic patients with atrial fibrillation (AF) pose challenges to diagnosis. Early diagnosis can reduce morbidity and mortality. Systematic screening in primary care may result in early intervention. Objectives: We sought to examine the implementation outcomes of a systematic, team-based quality improvement education (QIE) intervention for AF screening in primary care during the COVID-19 pandemic. Methods: QIE intervention was implemented in academic-based (n=4) and community-based (n=2) practices to address COVID-19 challenges. Surveys administered by site identified existing approaches and provider teams developed screening protocol based on targeted education, deploying a mobile ECG device (Kardiamobile™). Patient charts were reviewed (Dec 2020 - May 2021) to determine eligibility, i.e., patients aged 65–74 (with prior stroke/TIA or two other risk factors) or aged ≥75 (with one other risk factor) without prior AF. Patient EHR data were examined for demographic/clinical data and screening outcome. Provider interviews (n=12) and validation from representative patients (n=2) accounted for sustainability of outcomes. Results: A total of 1,221 patients were evaluated for AF risk, with 408 eligible for screening. Of these, 277 (68%) were female and CHA 2 DS 2 -VASc varied -score=3 (45%); score=4 (24%); score=5+ (31%). Patients (n=7; 2%) who screened positive for AF were referred or started on anticoagulation, like other primary care studies. Figure 1 shows how systematic screening was re-imagined and implemented Satisfaction and engagement increased among providers and patients - attributed, in part, to benefits of team-based planning and targeted education. Conclusion: An AF screening program was adapted to improve patient care despite COVID-19 related challenges. A QIE toolkit was launched to assist primary care practices with implementing streamlined, sustainable, and patient-engaging strategies to reduce stroke.
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 | 0,014 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».