Telehealth interventions in patients with chronic liver diseases: A systematic review
Notice bibliographique
Résumé
BACKGROUND AND AIM: Telehealth interventions may improve access to care, disease-specific, and quality outcomes in chronic liver diseases (CLDs). We aimed to systematically evaluate outcomes of telehealth interventions in CLDs. MATERIALS AND METHODS: We used key terms and searched PubMed/EMBASE from inception to January 10, 2022. Two authors independently screened abstracts. Disagreements were resolved by a third reviewer. We included any type of CLD, including posttransplant patients, and extracted outcomes as defined by authors for each etiology of CLD (sustained virological response in HCV or weight loss in NAFLD). Meta-analysis was not performed because of the heterogeneity of data. Quality assessment was performed using the Newcastle-Ottawa Scale for observational studies and the Cochrane Risk of Bias tool for clinical trials. RESULTS: Of 4250 studies screened, 43 met the inclusion criteria. Of these, 28 reported HCV treatment outcomes. All studies showed no statistically significant differences between sustained virological response rates in TH groups compared with control groups or historic cohorts. Eight studies evaluating liver transplant-related processes and outcomes demonstrated improved rates of transplant evaluation and referrals and decreased short-term readmission rates. Three randomized controlled trials and 1 observational study on NAFLD showed improved weight loss outcomes. One retrospective study showed reduced mortality risk in CLD patients with at least 1 TH encounter. CONCLUSIONS: TH interventions in patients with CLDs consistently show equivalent or improved clinical outcomes compared with traditional encounters. TH in CLDs can bridge the gap in access while maintaining the quality of care for underserved populations.
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) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,001 |
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 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 ».