Prevalence of Undiagnosed Risk Factors in Patients with First-Ever Ischemic Stroke Treated at MUHC: A Retrospective Analysis
Notice bibliographique
Résumé
Background: Ischemic stroke is a leading cause of morbidity and mortality worldwide. Despite established prevention strategies, many patients present with previously undiagnosed vascular risk factors (URFs) at the time of their first-ever ischemic stroke, suggesting missed opportunities for early detection. In Canada, particularly in Quebec, access to primary care is inconsistent, and a substantial proportion of the population lacks attachment to a family doctor (FD). Objective: This study aimed to determine the prevalence of URFs among patients with first-ever ischemic stroke and to evaluate the relationship between URFs, geographic region, and access to primary care in Quebec, Canada. We hypothesized that patients without an FD would have a higher prevalence of URFs. Methods: We conducted a retrospective chart review of 610 patients admitted with first-ever ischemic stroke to the McGill University Health Center (MUHC) between 2014 and 2017. Data collected included demographics; known and undiagnosed stroke risk factors such as hypertension (HTN), diabetes mellitus (DM), hyperlipidemia (HLD), and atrial fibrillation (AF); FD status; and geographic location based on postal code. Results: Among the 610 patients, 136 (22.3%) had at least one URF. The most common URF was HLD (14.3%), followed by HTN (6.2%), AF (1.6%), and DM (0.1%). Of 609 patients with available data, 146 (23.97%) lacked an FD. Patients without an FD were significantly more likely to have undiagnosed HTN (7.6% vs. 2.1%, p = 0.008). No significant differences were observed for the other URFs. Geographic variation was noted in both URF prevalence and FD access, but regional differences were not statistically significant. Conclusions: Our findings support the hypothesis that a lack of an FD is associated with a higher prevalence of undiagnosed HTN in ischemic stroke patients. Targeted screening and improved access to primary care, particularly in underserved regions, may help to reduce the burden of preventable stroke by facilitating the earlier identification and management of modifiable risk 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 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 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».