Telemedicine in the management of rheumatoid arthritis: maintaining disease control with less health-care utilization
Notice bibliographique
Résumé
Abstract Objectives We aimed to evaluate the use of an eHealth platform and a self-management outpatient clinic in patients with RA in a real-world setting. The effects on health-care utilization and disease activity were studied. Methods Using hospital data of patients with RA between 2014 and 2019, the use of an eHealth platform and participation in a self-management outpatient clinic were studied. An interrupted time series analysis compared the period before and after the introduction of the eHealth platform. The change in trend (relative to the pre-interruption trend) for the number of outpatient clinic visits and the DAS for 28 joints (DAS28) were determined for several scenarios. Results After implementation of the platform in April 2017, the percentage of patients using it was stable at ∼37%. On average, the users of the platform were younger, more highly educated and had better health outcomes than the total RA population. After implementation of the platform, the mean number of quarterly outpatient clinic visits per patient decreased by 0.027 per quarter (95% CI: −0.045, −0.08, P = 0.007). This was accompanied by a significant decrease in DAS28 of 0.056 per quarter (95% CI: −0.086, −0025, P = 0.001). On average, this resulted in 0.955 fewer visits per patient per year and a reduction of 0.503 in the DAS28. Conclusion The implementation of remote patient monitoring has a positive effect on health-care utilization, while maintaining low disease activity. This should encourage the use of this type of telemedicine in the management of RA, especially while many routine outpatient clinic visits are cancelled owing to COVID-19.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».