Awareness, Access, and Adoption of Natriuretic Peptides for Diagnosis of Heart Failure
Notice bibliographique
Résumé
AIMS: This survey investigates natriuretic peptide (NP) testing in community and hospital settings, assessing awareness, accessibility, and utilization. METHODS AND RESULTS: This investigator-initiated survey, conceived within the HFA of the European Society of Cardiology, comprised 14 questions. It underwent validation and pilot testing to ensure question readability and online system functionality. The survey was accessible for 87 days, from 5 April 2023 to 1 July 2023 via a web platform. There were 751 healthcare professionals across 99 countries who responded. Of them, 92.5% had access to NPs testing in hospital whereas 34.3% had no access to NTproBNP in community settings. Access to point of care NP testing was uncommon (9.6%). Public insurance fully covered NPs testing in 31.0% of cases, with private insurance providing coverage in 37.9%. The majority (84.0%) of participants believed that the medical evidence supporting NPs testing was strong, and 54.7% considered it cost-effective. Also, 35.8% found access, awareness, and adoption to be in favour of NPs testing both in hospital and community settings. Strategies to optimize NP testing involved regular guideline updates (57.9%), prioritizing NPs testing for dyspnoea assessment (36.4%), and introducing clinician feedback mechanisms (21.2%). Notably, 40% lacked a community-based HF diagnostic pathway for referring high-NP patients for echocardiography and cardiology evaluation. CONCLUSIONS: This survey reveals NP awareness, access, and adoption across several countries. Highlighting the importance of community-based early heart failure diagnosis and optimizing HF diagnostic pathways remains a crucial, unmet opportunity to improve patient outcomes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».