Migraine care practices in primary care: results from a national US survey
Notice bibliographique
Résumé
BACKGROUND: Primary care clinicians play a critical role in diagnosis and treatment of migraine, yet barriers exist. This national survey assessed barriers to diagnosis and treatment of migraine, preferred approaches to receiving migraine education, and familiarity with recent therapeutic innovations. METHODS: The survey was created by the American Academy of Family Physicians (AAFP) and Eli Lilly and Company and distributed to a national sample through the AAFP National Research Network and affiliated PBRNs from mid-April through the end of May 2021. Initial analyses were descriptive statistics, ANOVAs, and Chi-Square tests. Individual and multivariate models were completed for: adult patients seen in a week; respondent years since residency; and adult patients with migraine seen in a week. RESULTS: Respondents who saw fewer patients were more likely to indicate unclear patient histories were a barrier to diagnosing. Respondents who saw more patients with migraine were more likely to indicate the priority of other comorbidities and insufficient time were barriers to diagnosing. Respondents who had been out of residency longer were more likely to change a treatment plan due to attack impact, quality of life, and medication cost. Respondents who had been out of residency shorter were more likely to prefer to learn from migraine/headache research scientists and use paper headache diaries. CONCLUSIONS: Results demonstrate differences in familiarity with migraine diagnosis and treatment options based on patients seen and years since residency. To maximise appropriate diagnosis within primary care, targeted efforts to increase familiarity and decrease barriers to migraine care should be implemented.
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 | 0,002 | 0,029 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».