Conventional Follow‐up Versus Mobile Application Home Monitoring for Postoperative Anterior Cruciate Ligament Reconstruction Patients: A Randomized Controlled Trial
Notice bibliographique
Résumé
PURPOSE: To determine whether a mobile app can reduce the need for in-person visits and examine the resulting societal cost differences between mobile and conventional follow-up for postoperative anterior cruciate ligament (ACL) reconstruction patients. METHODS: Study design was a single-center, 2-arm parallel group randomized controlled trial. All patients undergoing ACL reconstruction aged 16 to 70 years were screened for inclusion in the study. Competent use of a mobile device and ability to communicate in English was required. Patients were randomly assigned to receive follow-up via a mobile app or conventional appointments. Analysis was intention-to-treat. The primary outcome was the number of in-person visits to any health care professional during the first 6 postoperative weeks. Secondary outcomes included analysis of costs incurred by the health care system and personal patient costs related to both methods of follow-up. Patient-reported satisfaction and convenience scores, rates of complications, and clinical outcomes were also analyzed. RESULTS: Sixty patients were analyzed. Participants in the app group attended a mean of 0.36 in-person visits versus 2.44 in-person visits in the conventional group (95% confidence interval 0.08-0.28; P < .0001). On average, patients in the app group spent $211 (Canadian dollars) less than the conventional group over 6 weeks (P < .0001) on personal costs related to follow-up. Health care system costs were also significantly less in the app group ($157.5 vs CAD $202.2; P < .0001). There was no difference between groups in patient satisfaction, convenience, complication rates, or clinical outcome measures. CONCLUSIONS: Mobile follow-up can eliminate a significant number of in-person visits during the first 6 postoperative weeks in patients undergoing ACL reconstruction with cost savings to both the patient and health care system. This method should be considered for dissemination among similar orthopaedic procedures during early postoperative care. LEVEL OF EVIDENCE: I: Prospective randomized controlled trial.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».