Preventing the next fragility fracture: a cross-sectional survey of secondary fragility fracture prevention services worldwide
Notice bibliographique
Résumé
BACKGROUND: There has been an increasing awareness of the public health impact of fragility fractures due to osteoporosis and the imperative of addressing this health burden with well-designed secondary fragility fracture prevention services (SFFPS). The objectives of this survey, conducted within the international membership of the Fragility Fracture Network (FFN), were to identify gaps in services and identify the needs for further training and mentorship to improve the quality of SFFPS provided to patients who sustain fragility fractures. METHODS: We conducted an electronic cross-sectional survey of FFN Secondary Fracture Prevention Special Interest Group (SIG) members from April 2021 to June 2021 using SurveyMonkey. The survey questions were developed by four SIG members from New Zealand, Australia, Canada and the Netherlands, who have experience in developing, implementing and evaluating SFFPS. The sampling framework was convenience sampling of all 1162 registered FFN Secondary Fracture Prevention SIG members. Descriptive analyses were performed for all variables and presented as frequencies and percentages. RESULTS: 69 individuals participated in the survey, from 34 different countries over six continents, with a response rate of 6% (69/1162). Almost one-third of respondents (22/69) were from 15 countries within the European continent. Key findings included: (1) 25% of SFFPS only included patients with hip fracture; (2) less than 5% of SFFPS had any mandatory core competencies for training; (3) 38.7% of SFFPS were required to collect key performance indicators; and (4) 9% were collecting patient-reported outcome measures. CONCLUSIONS: This survey identified key areas for improving SFFPS, including: expanding the reach of SFFPS to more patients with fragility fracture, developing international core competencies for health provider training, using key performance indicators to improve SFFPS and including the patient voice in SFFPS development. These findings will be used by the FFN to support SFFPS development internationally.
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 | 0,016 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».