What strategies do cardiologists employ for heart failure management? Insights from Indian clinical practice
Notice bibliographique
Résumé
Background: Heart failure (HF) is a leading cause of morbidity and mortality in India, with ischemic heart disease (IHD) being a primary contributor, particularly in patients with reduced ejection fraction (HFrEF). Despite comprehensive guidelines, a gap exists between guideline-directed medical therapy (GDMT) and real-world practices. Methods: A cross-sectional survey of 476 cardiologists across India was conducted from April to June 2023 to evaluate current therapeutic approaches for managing HFrEF. The study assessed alignment with established guidelines, including the American college of cardiology/American heart association (ACC/AHA) recommendations. Results: HFrEF accounted for 40-60% of HF cases, typically diagnosed at advanced stages New York heart association (NYHA class III), with EF often reduced to 20-30%. While 94.5% of cardiologists supported NT-proBNP testing for HF management and 73.5% endorsed ARNi as first-line therapy, ARNi usage remained suboptimal at 20-60%. Most cardiologists (67%) preferred initiating quadruple therapy within 12-24 weeks of diagnosis, citing medication tolerance as a key barrier to achieving optimal treatment goals. Conclusions: This study highlights substantial gaps in the adoption of guideline-recommended therapies for HFrEF in India. Improved strategies are needed to address barriers to GDMT implementation and ensure timely interventions to enhance 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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».