Effectiveness of Comprehensive Disease Management Programmes in Improving Clinical Outcomes in Heart Failure Patients. A Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Disease management programmes (DMP) have been advocated to improve long term outcomes of heart failure (HF) patients. AIMS: To summarise the evidence supporting DMP effectiveness in improving HF clinical outcomes. METHODS: Eligible studies were located through a systematic literature search. Only randomised controlled trials (RCTs), enrolling HF patients, and allocating them to DMP or usual care (UC), were included. Information on study setting and design, participants' characteristics and interventions tested were collected. A study quality assessment was performed. Main clinical outcomes assessed were: all-cause mortality and (re)hospitalisations, HF-related (re)hospitalisations and mortality. Meta-analysis was performed according to both Yusuf-Peto method and random effects model. RESULTS: Thirty-three RCTs were included. Mortality was significantly reduced by DMP compared to UC: OR = 0.80 (CI 0.69-0.93, p = 0.003). All-cause and HF-related hospitalisation rates were also significantly reduced: OR = 0.76 (CI 0.69-0.94, p < 0.00001) and OR = 0.58 (CI 0.50-0.67, p < 0.00001), respectively. Different DMP approaches appeared to be equally effective (sensitivity analyses). CONCLUSION: DMP reduce mortality and hospitalisations in HF patients. Because various types of DMP appear to be similarly effective, the choice of a specific programme depends on local health services characteristics, patient population, and resources available.
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 | 0,018 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,020 | 0,070 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».