A Resident-Led Quality Improvement Initiative to Accelerate Medical Therapy Implementation in Acute Heart Failure: ACCELERATE-HF
Notice bibliographique
Résumé
INTRODUCTION: Guideline-directed medical therapy (GDMT) optimization and effective de-congestion are known to improve outcomes in admitted heart failure (HF) patients, yet their implementation is suboptimal. Using an HF decision aid and point-of-care ultrasound (POCUS) at admission, this resident-led quality improvement (QI) initiative aimed to improve GDMT use and reduce HF readmissions. METHODS: This prospective, single-center QI initiative compared resident-performed POCUS and HF decision-aid use (the QI arm) with routine hospital care in admitted HF patients. Assignment to the QI arm was based on the availability of residents trained to perform POCUS on admission. PRIMARY OUTCOME: 30-day hospital readmission; secondary outcomes: GDMT utilization using a standard score, adverse outcome occurrence, and 30-day mortality. RESULTS: The study was terminated early due to funding constraints. We enrolled 103 (42 in the QI arm) out of the planned 254 patients. At discharge, the QI arm had a trend towards improvement in GDMT scores (+21 ± 23% vs. +12 ± 24% in controls, p = 0.106). In particular, a numerically higher proportion of patients in the QI arm were discharged on renin-angiotensin-aldosterone blockers (70.4% vs. 51.4% of controls, p = 0.126). Adverse effect occurrence and 30-day outcomes (readmissions and mortality) were not significantly different between groups. Significantly more people in the QI arm had a transthoracic echocardiogram in the hospital (26 [65.0%] vs. control: 21 [38.9%], p = 0.012). CONCLUSION: This study showed that a resident-led QI initiative was feasible and resulted in modest improvement in GDMT use and echocardiography utilization, but without effectively altering 30-day outcomes.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».