iConnect CKD – virtual medical consulting: A web‐based chronic kidney disease, hypertension and diabetes integrated care program
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AIMS: Chronic kidney disease patients overwhelm specialist services and can potentially be managed in the primary care (PC). Opportunistic screening of high risk (HR) patients and follow-up in PC is the most sustainable model of care. A 'virtual consultation' (VC) model instead of traditional face to face (F2F) consultations was used, aiming to assess efficacy and safety of the model. METHODS: +/- albuminuria >30 mg/mmol/L) were randomized to either VC or F2F. Patients were monitored in 6 monthly follow-up cycles by a Clinical Nurse Specialist. The specialist team provided virtual or clinical support and included a Nephrologist, Endocrinologist, Cardiologist and Renal 'Palliative' Supportive Care. RESULTS: Sixty one (87%) patients were virtually tracked or consulted with 14 (23%) being HR. At 12 months, there was no difference in outcomes between VC and F2F patients. All patients were successfully monitored. General practitioners reported a high level of satisfaction and supported the model, but found software integration challenging. Patients found the system attractive and felt well managed. Specialist consults occurred within a week, and if a second specialist opinion was required, it took another 2 weeks. CONCLUSIONS: The programme demonstrated safe, expedited and efficient follow up with a clinical and web based programme. Support from the general practitioners and patients was encouraging, despite logistical issues. Ongoing evaluation of VC services will continue and feasibility to larger networks and more chronic diseases remains the long term goal.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 découle