Infection, Rejection, and Hospitalizations in Transplant Recipients Using Telehealth
Notice bibliographique
Résumé
Context Telehealth technology serves individuals who live in geographical areas that prohibit easy access to specialized health care and can provide transplant recipients with access to transplant center personnel for adjunctive follow-up care. Objective To compare infection, rejection, and hospitalization events in subjects randomized to telehealth or to standard posttransplant care. Study Design, Study Participants, Setting and Research Procedure This longitudinal prospective study compared transplant outcomes (infections, rejections, and hospitalizations) of 106 subjects who were randomized to either the telehealth (n=53) or standard care (n=53) group and met the 6-month study end point. Sex, race, and transplant type were evenly distributed within the 2 groups. Subjects received primary follow-up care from nurse practitioners. The telehealth visits were conducted via live interactive sessions with digitized equipment used to perform physical examinations. Main Outcomes Infections, rejections, and hospitalizations were summarized for each of the groups. Subgroup analyses were performed by sex, transplant type, and time since transplant. Results No differences were found between the telehealth and standard care groups for infections, rejections, or hospitalizations at the 6-month data end point. Overall, females had twice as many infections as males ( P = .01). In this analysis, group assignment did not affect study outcomes. Conclusions The rates of infection, rejection, and hospitalization in a sample of primarily long-term transplant patients did not differ between patients who received telehealth follow-up and patients who received standard care, indicating that this delivery system can be used to provide follow-up care after transplant.
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 | 0,001 | 0,001 |
| 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 ».