Comparative Effectiveness of Transitional Care Services in Patients Discharged from the Hospital with Heart Failure: A Systematic Review and Network Meta-Analysis
Notice bibliographique
Résumé
AIMS: To compare the effectiveness of transitional care services in decreasing all-cause death and all-cause readmissions following hospitalization for heart failure (HF). METHODS AND RESULTS: We searched PubMed, Embase, CINAHL, and Cochrane Clinical Trials Register for randomized controlled trials (RCTs) published in 2000-2015 that tested the efficacy of transitional care services in patients hospitalized for HF, provided ≥1 month of follow-up, and reported all-cause mortality or all-cause readmissions. Our network meta-analysis included 53 RCTs (12 356 patients). Among services that significantly decreased all-cause mortality compared with usual care, nurse home visits were most effective [ranking P-score 0.6794; relative risk (RR) 0.78, 95% confidence intervals (CI) 0.62-0.98], followed by disease management clinics (DMCs) (ranking P-score 0.6368; RR 0.80, 95% CI 0.67-0.97). Among services that significantly decreased all-cause readmission, nurse home visits were most effective [ranking P-score 0.8365; incident rate ratio (IRR) 0.65, 95% CI 0.49-0.86], followed by nurse case management (NCM) (ranking P-score 0.6168; IRR 0.77, 95% CI 0.63-0.95), and DMCs (ranking P-score 0.5691; IRR 0.80, 95% CI 0.66-0.97). There was no significant difference in the comparative effectiveness of services that improved each outcome. Nurse home visits had the greatest pooled cost-savings (3810 USD, 95% CI 3682-3937), followed by NCM (3435 USD, 95% CI 3224-3645), and DMCs (245 USD, 95% CI -70 to 559). Telephone, telemonitoring, pharmacist, and education interventions did not significantly improve clinical outcomes. CONCLUSION: Nurse home visits and DMCs decrease all-cause mortality after hospitalization for HF. Along with NCM, they also reduce all-cause readmissions, with no significant difference in comparative effectiveness. These services reduce healthcare system costs to varying degrees.
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 | 0,017 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,023 | 0,041 |
| Bibliométrie | 0,005 | 0,006 |
| 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 ».