MétaCan
Menu
Retour à la cohorte
Enregistrement W4412648295 · doi:10.1093/eurjcn/zvaf122.120

Developing a core indicator set for identifying people at risk of undiagnosed heart failure

2025· article· en· W4412648295 sur OpenAlexaff
Katie E. Barber, Lizelle Bernhardt, Gerry P McCann, I B Squire, Chris Miller, Christi Deaton, Kamlesh Khunti, Claire Lawson

Notice bibliographique

RevueEuropean Journal of Cardiovascular Nursing · 2025
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensHealth Sciences Centre
Organismes subventionnairesBritish Heart FoundationNational Institute for Health and Care Research
Mots-clésMedicineHeart failureCore (optical fiber)Intensive care medicineSet (abstract data type)Cardiology

Résumé

récupéré en direct d'OpenAlex

Abstract Background Most heart failure (HF) diagnoses occur during hospital admission, but the patient, clinical and service level factors underlying delayed diagnosis remain unclear Purpose This study aimed to establish a consensus core outcome set (COS) of patient, clinical and service level factors associated with delayed HF diagnosis and identify a set of indicators for identifying undiagnosed HF in primary care. Methods A three-round modified e-Delphi method involved patients and clinicians from primary and specialist care. All participants rated sociodemographic and clinical factors for their importance in delayed HF diagnosis and clinicians also rated service-level factors and identified indicators of undiagnosed HF. Consensus was defined as two-thirds agreement with stable opinions across rounds based on a McNemar test (p<0.05), with indicators of undiagnosed HF requiring additional ranking in the top 5 by >50% of clinicians. Results The first Delphi survey was completed by 18 patients and 27 clinicians (Table 1). Patient participants included 12 (67%) women with a median age of 61 (IQR 51-65) years. Clinician participants included 18 nurses or allied health professionals (67%) and 9 doctors (33%). Nearly all clinicians had over 10 years of experience post-professional registration (93%), and 52% had worked in heart failure care for more than 10 years. Regarding their practice settings, 12 (44%) worked in a HF community or general practice setting, 11 (41%) in a HF hospital setting, and 4 (15%) in non-HF or research roles. The second survey was returned by all 18 patients and 23 clinicians and the third by 17 patients and 17 clinicians. A COS was established, comprising 15 factors and 5 indicators of undiagnosed HF (Figure 1). Key sociodemographic factors included lack of HF knowledge, lack of access to general practitioners or cardiologists, symptom confusion, younger age (<50 years), and learning difficulties. Clinical factors included multimorbidity, respiratory/mental health conditions, obesity, and depression. Service-level factors included poor HF knowledge, inadequate HFpEF recognition, limited BNP testing and echocardiogram access in primary care, and fragmented care. The top five indicators of undiagnosed HF were elevated BNP with no referral, current loop diuretic use with or without cardiac history, and overlapping cardiac and respiratory histories. Conclusions This study highlights critical factors and indicators to aid earlier HF diagnosis in primary care. Targeted interventions, such as clinician education and diagnostic support tools, are essential to address delays and improve patient outcomes.Table 1:Participant information Figure 1:Top 5 ranked factors

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,031
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,365
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0310,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,253
Tête enseignante GPT0,408
Écart entre enseignants0,154 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of Cardiovascular NursingMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207