Reducing Heart Failure Hospital Readmissions: A Systematic Review of Disease Management Programs
Notice bibliographique
Résumé
The recent enactment of the Patient Protection and Affordable Care Act which established the federal Hospital Readmissions Reduction Program (HRRP) has accelerated efforts to develop heart failure (HF) disease management programs (DMPs) that reduce readmissions in patients hospitalized for HF. This systematic review identified randomized controlled trials of HF DMPs which included home care, outpatient clinic interventions, structured telephone support, and non-invasive and invasive telemonitoring. These different types of DMPs have been associated with conflicting results. No specific type of DMP has produced consistent benefit in reducing HF hospitalizations. Although probably effective at reducing readmissions, home visits and outpatient clinic interventions have substantial limitations including cost and accessibility. Telemanagement has the potential to reach a large number of patients at a reasonable cost. Structured telephone support follow-up has been shown to significantly reduce HF readmissions, but does not significantly reduce all-cause mortality or all-cause hospitalization. A meta-analysis of 11 non-invasive telemonitoring studies demonstrated significant reductions in all-cause mortality and HF hospitalizations. Invasive telemonitoring is a potentially effective means of reducing HF hospitalizations, but only one study using pulmonary artery pressure monitoring was able to demonstrate a reduction in HF hospitalizations. Other studies using invasive hemodynamic monitoring have failed to demonstrate changes in rates of readmission or mortality. The efficacy of HF DMPs is associated with inconsistent results. Our review should not be interpreted to indicate that HF DMPs are universally ineffective. Rather, our data suggest that one approach applied to a broad spectrum of different patient types may produce an erratic impact on readmissions and clinical outcomes. HF DMPs should include the flexibility to meet the individualized needs of specific patients.
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 | 0,006 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».