Patient, provider, and system‐level factors associated with preoperative cardiac testing: A systematic review
Notice bibliographique
Résumé
BACKGROUND: Overuse of preoperative cardiac testing contributes to high healthcare costs and delayed surgeries. A large body of research has evaluated factors associated with variation in preoperative cardiac testing. However, patient, provider, and system-level factors associated with variation in testing have not been systematically studied. OBJECTIVE: To conduct a systematic review to better delineate the patient, provider, and system-level factors associated with variation in preoperative cardiac testing. METHODS: We included studies of an adult US population evaluating a patient, provider, or system-level factor associated with variation in preoperative cardiac testing for noncardiac surgery since 2012. Our search strategy used terms related to preoperative testing, diagnostic cardiac tests, and care variation with Ovid MEDLINE and Embase from inception through January 2023. We extracted study characteristics and factors associated with variation and qualitatively analyzed them. We assessed risk of bias using the Newcastle-Ottawa Scale and Evidence Project Risk of Bias tool. RESULTS: Twenty-eight articles met inclusion criteria. Older age and higher comorbidity were strongly associated with higher-intensity testing. The evidence for provider and system-level covariates was weaker. However, there was strong evidence that a focus on primary care and away from preoperative clinic and cardiac consultations was associated with less testing and that interventions to reduce low-value testing can be successful. CONCLUSIONS: There is significant interprovider and interhospital variation in preoperative cardiac testing, the correlates of which are not well-defined. Further work should aim to better understand these factors.
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 | 0,011 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».