Domains and Methods Used to Assess Home Telemonitoring Scalability: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic catalyzed the adoption of home telemonitoring to cope with social distancing challenges. Recent research on home telemonitoring demonstrated benefits concerning the capacity, patient empowerment, and treatment commitment of health care systems. Moreover, for some diseases, it revealed significant improvement in clinical outcomes. Nevertheless, when policy makers and practitioners decide whether to scale-up a technology-based health intervention from a research study to mainstream care delivery, it is essential to assess other relevant domains, such as its feasibility to be expanded under real-world conditions. Therefore, scalability assessment is critical, and it encompasses multiple domains to ensure population-wide access to the benefits of the growing technological potential for home telemonitoring services in health care. OBJECTIVE: This systematic review aims to identify the domains and methods used in peer-reviewed research studies that assess the scalability of home telemonitoring-based interventions under real-world conditions. METHODS: The authors followed the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analysis) guidelines and used multiple databases (PubMed, Scopus, Web of Science, and EconLit). An integrative synthesis of the eligible studies was conducted to better explore each intervention and summarize relevant information concerning the target audience, intervention duration and setting, and type of technology. Each study design was classified based on the strength of its evidence. Lastly, the authors conducted narrative and thematic analyses to identify the domains, and qualitative and quantitative methods used to support scalability assessment. RESULTS: This review evaluated 13 articles focusing on the potential of scaling up a home telemonitoring intervention. Most of the studies considered the following domains relevant for scalability assessment: problem (13), intervention (12), effectiveness (13), and costs and benefits (10). Although cost-effectiveness was the most common evaluation method, the authors identified seven additional cost analysis methods to evaluate the costs. Other domains were less considered, such as the sociopolitical context (2), workforce (4), and technological infrastructure (3). Researchers used different methodological approaches to assess the effectiveness, costs and benefits, fidelity, and acceptability. CONCLUSIONS: This systematic review suggests that when assessing scalability, researchers select the domains specifically related to the intervention while ignoring others related to the contextual, technological, and environmental factors, which are also relevant. Additionally, studies report using different methods to evaluate the same domain, which makes comparison difficult. Future work should address research on the minimum required domains to assess the scalability of remote telemonitoring services and suggest methods that allow comparison among studies to provide better support to decision makers during large-scale implementation.
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 | 0,087 | 0,253 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,014 | 0,018 |
| Bibliométrie | 0,027 | 0,025 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».