Effectiveness of healthcare educational and behavioral interventions to improve gout outcomes: a systematic review and meta-analysis
Notice bibliographique
Résumé
Background: We aimed to systematically review the effectiveness of healthcare behavioral and education interventions for gout patients on clinical outcomes. Methods: We searched multiple databases to identify trials or observational studies of educational or behavioral interventions in gout. Risk of bias was assessed with the Cochrane tool for randomized control trials (RCTs) and the Newcastle–Ottawa Scale for observational studies. We estimated odds ratios (ORs) for categorical and standardized mean difference (SMD) for continuous measures using a random-effects model. Results: Overall, eight (five RCTs and three observational) studies met the inclusion criteria and examined pharmacist-led interventions ( n = 3), nurse-led interventions ( n = 3) and primary care provider interventions ( n = 2). Compared with the control intervention (usual care in most cases), a higher proportion of those in the educational/behavioral intervention arm achieved serum urate (SU) levels <6 mg/dl, 47.2% versus 23.8%, the OR was 4.86 [95% confidence interval (CI), 1.48, 15.97; 4 RCTs] with moderate quality evidence. Compared with the control intervention, a higher proportion of those in the educational/behavioral intervention arm were adherent to allopurinol, achieved at least a 2 mg/dl decrease in SU, achieved an SU < 5 mg/dl, had a reduction in the presence of tophi at 2 years, had improved quality of life as assessed with SF-36 physical component scores, had a higher knowledge about gout and higher patient satisfaction (moderate-low quality evidence). Conclusion: Educational and behavioral interventions can improve gout outcomes in the short-intermediate term. Randomized trials are needed to assess its impact on long-term gout outcomes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».