Use of Mobile-Based Application for Collection of Patient-Reported Outcomes in Cardiac Surgery
Notice bibliographique
Résumé
OBJECTIVE: Application-based (app) technology has been studied for patient engagement and collecting patient-reported outcomes (PROs) in several surgical specialties with limited research in cardiac surgery. The aim of study was to determine the effectiveness of app-based technology for collecting PROs, improving the patient experience, and reducing health services utilization in a cardiac surgery center. METHODS: Patients accessed an interactive app via smartphones. Patients were guided from 4 weeks preoperative to 4 weeks postoperative via reminders, tasks, PRO surveys, and evidence-based education. In the postoperative period, patients were engaged with daily health surveys to track warning signs and recovery milestones. Based on the patient's signs and symptoms, the app escalated lower risk issues to self-care education or higher risk issues to the care team (e.g., phone call to a nurse). RESULTS: Sixty-six percent of patients (730 of 1,108) activated their app account. Two hundred seventy-seven patients completed an end-of-program feedback survey, with 94% of patients recommending the app and 98% of patients finding the app was helpful in recovery. Patients also reported using the app to avoid unnecessary health services utilization, with 45% of patients using the app to avoid at least 1 phone call and 28% of patients using the app to avoid at least 1 hospital visit. CONCLUSIONS: App-based technology for patient engagement is an effective modality to enhance the patient experience, better understand the trajectory of recovery, and reduce unnecessary health services utilization in cardiac surgery.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| 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 | 0,001 | 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 ».