Clinical Heart fAilure Management Program: Changing the practice by partnering primary care and specialists (CHAMP-HF)
Notice bibliographique
Résumé
Background: While significant gains were made in the management of heart failure (HF), most patients are still diagnosed when they are acutely ill in hospital, often with advanced disease. Earlier diagnosis in the community could lead to improved outcomes. Whether a partnership and an educational program for primary care providers (PCP) increase HF awareness and management is unknown. Methods: We conducted an observational study between March 2019 and June 2020 during which HF specialists gave monthly HF conferences to PCP. Using a pre-post design, medical charts and administrative databases were reviewed and a questionnaire was completed by participating PCP. Primary and secondary endpoints included: 1) the number of patients diagnosed with HF, 2) implementation of GDMT for patients with HFrEF; 3) PCPs' experience and confidence. Results: Six PCP agreed to participate. Amongst the 11,909 patients of the clinic, 70 (0.59 %) patients met the criteria for HF. This number increased by 28.6 % (n = 90) after intervention. Increased use of GDMT for HFrEF patients at baseline (n = 35) was observed for all class of agents, with doubling of patients on triple therapies, from 8 (22.9 %) to 16 (45.7 %), p = 0.0047. Self-confidence on HF management was low (1, 16.7 %) but increased after the educational intervention of physicians (3, 50 %). Conclusion: An educational and collaborative approach between HF specialists and community PCP increased the number of new HF cases diagnosed, enhanced implementation of GDMT in patients with HFrEF and increase PCPs' confidence in treating HF, despite being conducted during the COVID-19 pandemic.
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 | 0,000 |
| 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 | 0,000 | 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 ».