Abstract 4371293: Missed Opportunities for Cardiovascular Prevention in the United States: A Simulation-Based Analysis Using NHANES 2021–2022
Notice bibliographique
Résumé
Background: Despite clear guidelines, many high-risk individuals in the U.S. remain untreated for ASCVD prevention. We quantified the prevalence of missed treatment opportunities, identified sociodemographic predictors, and modeled long-term outcomes using a Markov framework. Methods: We analyzed 9,215 adults aged ≥18 years from NHANES 2021–2022. Adults were eligible for preventive therapy if they had ASCVD, diabetes, cardiometabolic burden score ≥3, or were current smokers aged ≥40. Treatment was defined by use of any cardiovascular medication. A missed opportunity was defined as treatment-eligible but untreated. We used multivariable logistic regression to identify predictors and modeled ASCVD cases, deaths, QALYs, and costs over 5 years using a 3-state Markov model (Healthy, ASCVD, Death). Results: Of 2,756 eligible adults, 1,083 (39.3%) were not receiving any cardiovascular therapy. A missed opportunity was more likely among uninsured adults (OR 2.13, 95% CI: 1.61–2.84), those with income below the federal poverty line (OR 1.82, 95% CI: 1.31–2.52), and adults younger than 50 years (OR 1.94, 95% CI: 1.42–2.65) (Figure 1). Markov simulation projected 132 ASCVD cases and 88 deaths over 5 years in this untreated cohort, compared to 93 ASCVD cases and 60 deaths with preventive therapy (Figure 2). As shown in Figure 3, treatment preserved more individuals in the healthy state and slowed progression to ASCVD and death. Overall, preventive therapy resulted in 114 QALYs gained and $954,000 in cost savings per 1,083 adults over 5 years . When extrapolated nationally, over 1 million ASCVD events and $20 billion in costs could be prevented within 5 years. Conclusions: More than one-third of eligible U.S. adults are not receiving ASCVD preventive therapy. These missed opportunities represent not only lost years of life but also substantial cost and equity gaps that can be addressed through policy and population-level interventions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».