MétaCan
Menu
Retour à la cohorte
Enregistrement W4415263026 · doi:10.1161/hyp.82.suppl_1.tac244

Abstract TAC244: Identifying Gaps in Hypertension Training Across Canadian Health Professions: A National Survey

2025· article· en· W4415263026 sur OpenAlexaffabout
Isaac Glassman, Certina Ho, Laurel Taylor, Ross T. Tsuyuki, Norman R.C. Campbell, Sachin Vidur Pasricha

Notice bibliographique

RevueHypertension · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiquePrimary Care and Health Outcomes
Établissements canadiensUniversity of CalgaryUniversity of AlbertaWestern UniversityCanadian Transplant AssociationCanadian Political Science AssociationCanadian Wildlife FederationCanadian Medical AssociationCanadian Federation of University WomenCovenant HealthUniversity of TorontoUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésAccreditationGuidelinePrimary careConsistency (knowledge bases)CurriculumMultidisciplinary approachMEDLINEHealth careDisease

Résumé

récupéré en direct d'OpenAlex

Introduction: Hypertension is the most prevalent cardiovascular risk factor in Canada and a major driver of morbidity. Despite its importance, no national standard exists for how hypertension is taught across professions. The extent and consistency of hypertension education in Canadian healthcare training programs remain unclear. Hypothesis: We hypothesized that hypertension education across Canadian health professions is variable, with gaps in practical skills, guideline adherence, and interprofessional care. Methods: We conducted a cross-sectional national survey (March–April 2025), distributed via trainee representatives of healthcare associations. All accredited Canadian MD, NP, PharmD, RN/RPN, and family medicine programs were eligible. The 22-item questionnaire assessed seven domains, including curriculum structure, hypertension pathophysiology, BP measurement, risk assessment, and team-based care. Responses were selected from predefined options and mapped post hoc to a 4-point scale, with scores ≥3 considered adequate. The primary outcome was the proportion of programs meeting this threshold in each domain. Items also asked students to list secondary hypertension causes, treatment options, and BP measurement steps. Programs reported total instruction hours. Data were analyzed descriptively, stratified by profession, and grouped by institution, within an implementation science lens. Ethics approval was obtained from the University of Toronto REB (#47478). Results: Sixty-three programs responded (60% response rate): 10 MD, 10 PharmD, 10 family medicine, 32 RN/RPN, and one NP. Most programs adequately covered hypertension pathophysiology and cardiovascular risk assessment but multidisciplinary care and hands-on skills were inconsistently addressed. Only 30% reported adequate training in guideline-based BP measurement. PharmD, MD, and RN students correctly identified a mean of 4.2, 3.75, and 3.2 of six BP measurement steps, respectively. Fewer than 30% of programs met benchmarks for use of digital tools or adherence counseling. Only 30% of MD programs reported adequate team-based care training, compared to 100% of RPN/LPN and 60% of RN and PharmD programs. Instructional hours ranged from 66.8 in MD to 9.5 in RPN/LPN programs. Conclusions: Hypertension education across Canadian healthcare training programs is variable, with notable gaps in hands-on skills. These findings establish a baseline to guide standardized interprofessional hypertension training development.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,997
Score d'incertitude au seuil0,169

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,007
Études des sciences et des technologies0,0030,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,275
Tête enseignante GPT0,481
Écart entre enseignants0,206 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
DomaineMéthodes
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'admission2
Résumé présentoui

Explorer davantage

Même revueHypertensionMême sujetPrimary Care and Health OutcomesTravaux en français237 207