Mobile App–Based Remote Patient Monitoring in Acute Medical Conditions: Prospective Feasibility Study Exploring Digital Health Solutions on Clinical Workload During the COVID Crisis
Notice bibliographique
Résumé
BACKGROUND: Digital remote patient monitoring can add value to virtual wards; this has become more apparent in the context of the COVID-19 pandemic. Health care providers are overwhelmed, resulting in clinical teams spread more thinly. We aimed to assess the impact of introducing an app-based remote patient monitoring system (Huma Therapeutics) on a clinician's workload in the context of a COVID-19-specific virtual ward. OBJECTIVE: This prospective feasibility study aimed to evaluate the health economic effects (in terms of clinical workload) of a mobile app on a telephone-based virtual ward used in the monitoring of patients with COVID-19 who are clinically ready for discharge from the hospital. METHODS: A prospective feasibility study was carried out over 1 month where clinician workload was monitored, and full-time equivalents savings were determined. An NHS hospital repurposed a telephone-based respiratory virtual ward for COVID-19. Patients with COVID-19 in the amber zone (according to the National Health Service definition) were monitored for 14 days postdischarge to help identify deteriorating patients earlier. A smartphone-based app was introduced to monitor data points submitted by the patients via communication over telephone calls. We then comparatively evaluated the clinical workload between patients monitored by telephone only (cohort 1) with those monitored via mobile app and telephone (cohort 2). RESULTS: In all, 56 patients were enrolled in the app-based virtual ward (cohort 2). Digital remote patient monitoring resulted in a reduction in the number of phone calls from a mean total of 9 calls to 4 calls over the monitoring period. There was no change in the mean duration of phone calls (8.5 minutes) and no reports of readmission or mortality. These results equate to a mean saving of 47.60 working hours. Moreover, it translates to 3.30 fewer full-time equivalents (raw phone call data), resulting in 1.1 fewer full-time equivalents required to monitor 100 patients when adjusted for time spent reviewing app data. Individual clinicians spent an average of 10.9 minutes per day reviewing data. CONCLUSIONS: Smartphone-based remote patient monitoring technologies may offer tangible reductions in clinician workload at a time when service is severely strained. In this small-scale pilot study, we demonstrated the economic and operational impact that digital remote patient monitoring technology can have in improving working efficiency and reducing operational costs. Although this particular RPM solution was deployed for the COVID-19 pandemic, it may set a precedent for wider utilization of digital, remote patient monitoring solutions in other clinical scenarios where increased care delivery efficiency is sought.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».