Management of Frail and Older Homebound Patients With Heart Failure: A Contemporary Virtual Ambulatory Model
Notice bibliographique
Résumé
BackgroundHeart failure (HF) affects many patients who are older and frail, presenting multiple physical barriers to accessing specialty care in a traditional ambulatory clinic model. Here, we present an assisted virtual care model in which a home visiting nurse facilitated video visits with a HF cardiologist to follow homebound, frail, and older patients with HF.MethodsThis is a pragmatic, quasi-experimental, pre–post, single-centre study. It included homebound, frail, and older patients with HF from 2015 to 2019 who were followed for 1 year; in-person clinic visits were completely replaced by nurse-facilitated virtual video visits. Outcomes evaluated included annualized hospitalization rate, number of hospitalization days, and number of emergency department visits.ResultsA total of 49 patients were included, with a median age of 86 (83-93) years, and were followed for 1 year after enrollment. Among patients enrolled, HF with preserved ejection fraction was the most common subtype (57%). Compared to the year prior to enrollment, patients had a lower mortality-adjusted all-cause annualized hospitalization rate in the year following enrollment (2.57 vs 1.78, P < 0.0001). Compared to the year prior, the number of mortality-adjusted all-cause hospitalization days was significantly lower in the year following enrollment (27.2 vs 21.4, P < 0.0001). There was a reduction in the number of all-cause annualized emergency department visits (3.10 vs 2.27, P = 0.003).ConclusionsNurse-assisted virtual visits may be a preferable strategy for homebound, frail, and older patients with HF to receive longitudinal care. This approach may represent a plausible strategy to care for other patients with significant barriers to accessing specialized cardiac care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».