Understanding Roadblocks to Heart Failure Care ( <scp>UNLOCK</scp> ‐ <scp>HF</scp> ): A Convergent Parallel Mixed‐Methods Study in Kerala
Notice bibliographique
Résumé
OBJECTIVE: Heart failure (HF) causes substantial morbidity, premature mortality and escalating healthcare costs, with prevalence rising fastest in low- and middle-income countries. Although guideline-recommended care can reduce mortality, its uptake remains suboptimal. We aimed to explore the roadblocks to optimal HF care in Kerala, a state in India with a high cardiovascular disease burden. METHODS: We conducted a convergent parallel mixed-methods study. We collected availability and price data of guideline-recommended HF medicines from 30 pharmacies (government-subsidised 6; private-retail 24) and diagnostics and interventional procedures from 4 private hospitals. Interviews (10 HF patients, 7 carers, 4 physicians and 4 policymakers) explored roadblocks to prevention, diagnosis and treatment. RESULTS: Mean availability of HF medicines was 45% in government-subsidised pharmacies and 66% in private pharmacies. Mean availability of HF diagnostics and interventional procedures was 89% and 57% in private hospitals. The lowest paid worker in Kerala would spend on average 0.3 days' wages to purchase a monthly supply of HF medicines in the government-subsidised pharmacies, and all but two HF medicines were affordable. The same worker would on average spend 1.4 days' wages for medicines in the private-retail pharmacies, 0.9 days' wages for cardiologist consultations, 8.4 days' wages for diagnostics and 1387 days' wages for interventional procedures. Interviews revealed care fragmentation, limited integration of HF management within broader programs, and gaps in patient and provider awareness. CONCLUSIONS: We identified several roadblocks to optimal HF care at various levels of healthcare, mainly low availability, poor affordability and fragmented care. Addressing these roadblocks requires a multilevel coordinated effort among all health system actors to ensure equitable and effective HF care.
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 | 0,008 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».