A Systematic Review and Meta-analysis of Studies Comparing Readmission Rates and Mortality Rates in Patients With Heart Failure
Notice bibliographique
Résumé
BACKGROUND: Heart failure is the leading cause of hospitalization and readmission in many hospitals worldwide. We performed a meta-analysis to evaluate the effectiveness of multidisciplinary heart failure management programs on hospital admission rates. METHODS: We identified studies through an electronic search and mortality using 8 distinct methods. Eligible studies met the following criteria: (1) randomized controlled clinical trials of adult inpatients hospitalized for heart failure enrolled either at the time of discharge or within 1 week after discharge; (2) heart failure-specific patient education intervention coupled with a postdischarge follow-up assessment; and (3) unplanned readmission reported. Four reviewers independently assessed each study for eligibility and quality, achieving a weighted kappa of 0.73 for eligibility and 0.77 for quality. For each study we calculated the relative risk for readmissions and mortality for patients receiving enhanced education relative to patients receiving usual care. RESULTS: A total of 529 citation titles were identified, of which 8 randomized trials proved eligible. The pooled relative risk for hospital readmission rates using a random-effects model was 0.79 (95% confidence interval, 0.68-0.91; P<.001; heterogeneity P = .25). There was no apparent effect on mortality (relative risk, 0.98; 95% confidence interval, 0.72-1.34; P = .90; heterogeneity P = .20). Data were insufficient to meaningfully pool intervention effects on quality of life or compliance. CONCLUSION: This systematic review suggests that specific heart failure-targeted interventions significantly decrease hospital readmissions but do not affect mortality rates.
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) | 0,011 | 0,000 |
| Bibliométrie | 0,001 | 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 ».