Cloud Follow-Up in Patients With Cardiovascular Implantable Electronic Devices: A Single-Region Study in China
Notice bibliographique
Résumé
Background: Due to seriously imbalanced distribution of follow-up clinics in China, routine in-office visits are erratically attended by many cardiovascular implantable electronic device (CIED) patients. Meanwhile, remote monitoring is significantly underutilized. Novel tools to address the current predicament of routine in-office visits in China is urgently needed. Objectives: To assess the reliability and feasibility of cloud follow-up in CIED patients. Methods: A total of 325 CIED patients from 13 hospitals in Sichuan Province, China, were enrolled. Information on patients' sociodemographic and basic clinical characteristics was collected. All devices were tested and programmed with 5G-cloud follow-up platform in a real-time manner. All patients were surveyed about their acceptance of and preferences regarding cloud follow-up compared to routine in-office visits. Results: Compliance with routine in-office visits in this region was 60.6%. None of the patients were enrolled in remote monitoring services. Clinically important predictors of non-compliance were elderly age (≥75 years old), odds ratio (OR) 2.392 (95% confidence interval, 1.111-5.150); needing notification from a follow-up clinic, OR 2.518 (1.179-5.376); and being beyond 15 months post-implantation, OR 5.440 (2.563-11.543). All cloud follow-up sessions were performed safely and efficiently, without any adverse events. 292 (89.8%) patients preferred cloud follow-up for future device management. Conclusion: Compliance with routine in-office visits in this region has much room for improvement. Cloud follow-up addresses the limitations of an imbalanced distribution of follow-up clinics and geographic barriers for in-office CIED evaluation. Thus, cloud follow-up provides a potential solution to the current predicament of routine in-office visits in China.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».