Impact of a Multidisciplinary Heart Failure Post-hospitalization Program on Heart Failure Readmission Rates
Notice bibliographique
Résumé
BACKGROUND: Specialized chronic heart failure (HF) clinics have demonstrated significant reductions in readmissions. Limited evidence is available regarding HF clinics in the immediate post-discharge period. OBJECTIVE: To evaluate the effect of a multidisciplinary HF clinic on 90-day readmission rates and all-cause mortality in those recently discharged from a HF hospitalization. METHODS: In this retrospective cohort study, patients discharged with a primary HF diagnosis who attended the HF postdischarge clinic in 2010-2012 were compared with controls from 2009. During 6 clinic visits, patients were seen by a physician assistant, clinical pharmacist specialist, and case manager, with care overseen by a cardiologist. The program focused on optimizing therapy, identifying HF etiology/precipitating factors, medication titration, education, and medication adherence. The primary outcome was 90-day HF readmission. A multivariate Cox proportional hazards model was used to compare outcomes. RESULTS: Among the 277 patients (144 clinic, 133 control) in the study, 7.6% of patients in the clinic and 23.3% of patients in the control group were readmitted for HF within 90 days (aHR (adjusted hazard ratio) = 0.17; 95% CI = 0.07-0.41; P < 0.001; ARR (absolute risk reduction) = 15.7%; NNT (number needed to treat) = 7). Clinic patients had lower 90-day time-to-first HF readmission or all-cause mortality (9.0% vs 28.6%; aHR = 0.28; 95% CI = 0.06-0.31; P < 0.001; ARR = 19.6%; NNT = 6). CONCLUSIONS: The multidisciplinary HF posthospitalization outpatient program was associated with a significant reduction in 90-day HF readmissions in patients who were recently discharged from a HF hospitalization.
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) | 0,001 | 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 ».