Pulmonary Rehabilitation in Chronic Obstructive Pulmonary Disease: Predictors of Program Completion and Success
Notice bibliographique
Résumé
Although participation in pulmonary rehabilitation (PR) improves the health outcomes in patients with Chronic Obstructive Pulmonary Disease (COPD), there are insufficient resources to provide PR to all patients with COPD. Thus, predicting which patients are at risk for drop-out and non-response to rehabilitation is necessary in order to optimize limited resources. This study examined which patient characteristics are predictive of PR drop-out and non-response. 814 patients with COPD took part in standard out-patient PR for 8 weeks. Demographic and standard clinical data were collected before the rehabilitation program had started. Data was analyzed retrospectively to determine if baseline patient characteristics could predict drop-out and non-response to rehabilitation. Drop-out was defined as participation in less than 50% of the rehabilitation sessions. Non-response was defined as improvement less than 4% on the St. George's Respiratory Questionnaire (SGRQ). A discriminant function analysis identified age, smoking history, and health status as predictors of patient drop-out, p < .0001, with younger, current smokers and patients with lower health status being at risk for drop-out. No variables measured significantly predicted who those at risk would be for non-response to rehabilitation, p > .05. Pulmonary function data did not predict drop-out or non-response to PR. These findings indicate that perceived impairment (i.e., health status) is more likely to influence completion of rehabilitation than actual pulmonary impairment and that demographic and standard clinical data do not adequately predict patient drop-out and non-response to rehabilitation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».