Prevalence, referral patterns, testing, and surgery in aortic valve disease: leaving women and elderly patients behind?
Notice bibliographique
Résumé
BACKGROUND AND AIM OF THE STUDY: The prevalence of aortic valve disease is not well defined, and it is not known to what degree gender and age affect testing and surgery for this condition. The study aim was to describe the prevalence of aortic valve disease in the United States population by extrapolating from administrative claims databases; and to investigate differences associated with gender and age in referral, diagnostic testing, and aortic valve replacement (AVR). METHODS: A claims database of approximately five million privately insured beneficiaries and a 5% sample of Medicare beneficiaries were queried for patients with aortic valve disease. Prevalence was calculated by age group and gender, and extrapolated to the 2005 US population. The proportion of patients with a cardiologist or cardiovascular surgeon visit, performance of echocardiography or stress testing, and AVR within a year of diagnosis was determined. RESULTS: The extrapolated prevalence of aortic valve disease in the US in 2005 was 1.8% (approximately 5.2 million people); in persons aged > or =65 years, prevalence was 10.7%. Women were seen by a specialist, underwent diagnostic tests and underwent AVR at rates significantly lower than men, as did patients aged > or =80 years compared to those aged 65-79 years. AVR was performed at approximately half the rate in women (1.4%) compared to men (2.7%, p <0.001), and in patients aged > or =80 years (1.1%) compared to those aged 65-79 years (2.5%, p <0.001). CONCLUSION: In 2005, approximately 5.2 million adults in the US were estimated to have a diagnosis of aortic valve disease. Advanced age and female gender were associated with lower rates of specialist visits, diagnostic testing, and AVR.
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 | 0,000 | 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 ».