Optimizing low-density lipoprotein cholesterol (LDL-C) management – a US physician survey of barriers and burdens
Notice bibliographique
Résumé
Background and Aims: Improving care of patients with hyperlipidemia requires an understanding of the barriers physicians perceive in prescribing low-density lipoprotein cholesterol (LDL-C)-lowering therapies. This study explores physicians' perceptions of time and resource burdens, identify perceived patient adherence barriers, and examine factors influencing physicians' decision-making in LDL-C management. Methods: This is a non-interventional, cross-sectional, online survey of US-based primary care practitioners (PCP) and cardiologists who recommended or provided lipid-lowering therapy (LLT) to ≥50 adults per month, practiced for ≥2 years, and completed the survey in English. The survey comprised multiple-choice, constant sum, and numerical questions about physician decision-making, patient management, and perceptions of patient attitudes/behaviors regarding LDL-C management. Descriptive univariate analyses were conducted. Results: 200 PCPs and 200 cardiologists completed the survey. Most physicians reported prescribing lipid-lowering therapy (LLT) and that patients declined injectable proprotein convertase subtilisin/kexin type 9 inhibitors (PCSK9i). They attributed this refusal to cost/insurance, fear/discomfort taking injections, and a preference for oral therapies. Physicians viewed patients with a history of ASCVD, with LLT experience, and those with greater understanding of ASCVD risk to have higher LLT adherence compared to those without. Most physicians spent a median of 10 min in shared decision-making conversations, regardless of therapies they prescribed. They reported needing longer to instruct patients during adherence counseling for PCSK9is than for oral therapies. Conclusions: Our findings suggest patient, clinician, and system barriers may all hinder LDL-C management and adherence. A greater understanding of the association between perceived barriers and real-world behaviors will help optimize lipid management.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».