SPRINT INDIA: Regional Variations in Primary and Secondary Stroke Outcomes Based on Baseline Characteristics in North and South Indian Sites
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Regional differences in stroke prevalence and outcomes in India, driven by demographic and risk factors, are crucial for guiding effective prevention and management strategies. This subanalysis of Secondary prevention with a structured semi-interactive stroke prevention package in INDIA (SPRINT INDIA) randomized controlled trial compared the demographics, risk factors, and clinical outcomes of stroke patients from North and South India to identify regional differences and inform targeted interventions for stroke prevention. METHODS: The study analyzed data of 4298 participants from 31 stroke centers across India, focusing on demographics, stroke types, and risk factors. In this study, Mumbai, located at 19.07°N in western India, serves as the dividing line between North and South India. One-year follow-up data from 3038 patients were utilized to examine regional disparities between North and South India. RESULTS: South Indian stroke patients were predominantly rural (60.1%) and less educated (58.2%), while North Indian patients were mostly urban (64.2%). South Indian patients had higher incidence of ischemic stroke (91.1% vs. 73.5%, P = 0.001) and higher rates of large artery atherosclerosis (33.6% vs. 19.7%, P = 0.001), hypertension, type 2 diabetes, smoking, and alcohol consumption, but better medication adherence. In contrast, North Indian patients had higher high-density lipoprotein, drug use, and tobacco use. At 1-year follow-up, North Indian patients had more high-risk transient ischemic attacks and poorer lifestyle-related outcomes, despite South Indians having higher systolic blood pressure and fasting glucose levels. CONCLUSION: Region-specific strategies are crucial. Block randomization may help. South India needs better lifestyle modification programs, while North India requires improved health education and medication adherence strategies.Trial registration: CTRI/2017/09/009600.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».