Decoding Diagnostic Delay in COPD: An Integrative Analysis of Missed Opportunities, Clinical Risk Profiles, and Targeted Detection Strategies in Primary Care
Notice bibliographique
Résumé
Background: Delayed diagnosis of Chronic Obstructive Pulmonary Disease (COPD) in primary care is common and contributes to preventable morbidity. A deeper understanding of pre-diagnostic patterns is needed to develop targeted detection strategies. We aimed to characterize diagnostic delay and missed diagnostic opportunities (MDOs) and identify high-risk clinical profiles. Methods: We conducted a retrospective cohort study of 167 patients newly diagnosed with COPD in primary care centers in Madrid, Spain. Healthcare utilization in the 12 months preceding diagnosis was analyzed. Multivariable logistic regression was used to identify predictors of MDOs, and K-means clustering was used to identify patient phenotypes. Results: Diagnostic delay (>30 days) was present in 45.5% of patients, and MDOs in 47.3%. MDO-positive patients had significantly worse lung function (mean FEV1: 1577 vs. 1898 mL, p = 0.008), greater symptom burden (CAT score ≥ 10: 79.7% vs. 59.1%, p = 0.003), and more frequent pre-diagnostic exacerbations (mean: 1.24 vs. 0.71, p = 0.032). After multivariable adjustment, diagnostic delay remained a powerful independent predictor of MDOs (OR 10.25, 95% CI 4.39–24.88; p < 0.001). Cluster analysis identified three distinct clinical phenotypes: ‘Paucisymptomatic–Preserved’, ‘Frequent Attenders/High-Risk’, and ‘Silent Decliners’. Conclusions: The pre-diagnostic period in COPD is a dynamic window of detectable, and potentially preventable, clinical deterioration driven by diagnostic inertia. The identification of distinct patient phenotypes suggests that a proactive, stratified, and personalized approach, rather than a one-size-fits-all strategy, is required to improve early diagnosis in primary care.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».