Barriers and facilitators to liver fibrosis screening: Perspectives and practices of Canadian primary care physicians
Notice bibliographique
Résumé
Background: Metabolic dysfunction-associated steatotic liver disease (MASLD) is highly prevalent, yet primary care physicians (PCPs) face barriers to identifying and referring high-risk individuals. We surveyed Canadian PCPs to identify barriers and facilitators to MASLD-related fibrosis screening. Methods: A multidisciplinary team developed a 38-item online survey with multiple-choice and Likert scale questions to assess PCPs' MASLD knowledge and barriers and facilitators to screening. The survey was distributed anonymously in April-August 2024. Results: Seventy-one participants completed the survey. One in five rated their MASLD diagnostic knowledge as very or extremely familiar, whereas a quarter reported little to no knowledge. Although >90% correctly identified obesity, type 2 diabetes, and dyslipidemia as risk factors, only 54% screened these populations. Among those who screened, 55% used FIB-4 and 29% transient elastography, while the most common tools were ultrasound (74%) and alanine aminotransferase (71%). Overall, 96% reported at least one barrier, including time limitations, resource constraints, and limited access to tools. Barriers also varied by province; PCPs in Alberta reported fewer access issues with tools like FIB-4 than those in other provinces, including Ontario and Quebec. Encouragingly, over 80% expressed willingness to adopt integrated guidelines and automated risk tools into their practice. Conclusions: Despite awareness of MASLD risk factors among Canadian PCPs, substantial gaps remain in screening due to limited knowledge, inconsistent tool use, and systemic barriers. These findings highlight the need for a coordinated national strategy to support PCPs in the early identification and referral of patients at risk for MASLD-related fibrosis.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».