Interventions to Promote Patient Utilization of Cardiac Rehabilitation: Cochrane Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Too few patients utilize cardiac rehabilitation (CR), despite its benefits. The Cochrane review assessing the effectiveness of interventions to increase CR utilization (enrolment, adherence, and completion) was updated. A search was performed through July 2018 of the Cochrane and MEDLINE (Medical Literature Analysis and Retrieval System Online) databases, among other sources. Randomized controlled trials in adults with myocardial infarction, angina, revascularization, or heart failure were included. Interventions had to aim to increase utilization of comprehensive phase II CR. Two authors independently performed all stages of citation processing. Following the random-effects meta-analysis, meta-regression was undertaken to explore the impact of pre-specified factors. Twenty-six trials with 5299 participants were included (35.8% women). Low-quality evidence showed an effect of interventions in increasing enrolment (risk ratio (RR) = 1.27, 95% confidence interval (CI) = 1.13–1.42). Meta-regression analyses suggested that the intervention deliverer (nurse or allied healthcare provider, p = 0.02) and delivery format (face-to-face, p = 0.01) were influential in increasing enrolment. There was low-quality evidence that interventions to increase adherence were effective (standardized mean difference (SMD) = 0.38, 95% CI = 0.20–0.55), particularly where remotely-offered (SMD = 0.56, 95% CI = 0.36–0.76). There was moderate-quality evidence that interventions to increase program completion were effective (RR = 1.13, 95% CI = 1.02–1.25). There are effective interventions to increase CR utilization, but more research is needed to establish specific, implementable materials and protocols, particularly for completion.
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 | 0,012 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,027 | 0,009 |
| 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 | 0,001 |
| 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 ».