Self-care Practices of Patients With Heart Failure Using Wearable Electronic Devices
Notice bibliographique
Résumé
BACKGROUND: Heart failure (HF) is the fastest growing cardiovascular condition globally; associated management costs and hospitalizations place an immense burden on healthcare systems. Wearable electronic devices (WEDs) may be useful tools to enhance HF management and mitigate negative health outcomes. OBJECTIVE: We aimed to perform a systematic review to examine the potential of WEDs to support HF self-care in ambulatory patients at home. METHODS: Five databases were searched for studies published between 2007 and May 2022, including OVID MEDLINE, EMBASE (OVID), APA PsycINFO (OVID), Cochrane Central Register of Controlled Trials (OVID), and CINAHL Plus with Full Text (Ebsco). After 6210 duplicates were removed, 4045 records were screened and 6 were included for review (2 conference abstracts and 4 full-text citations). All studies used WEDs as 1 component of a larger intervention. RESULTS: Outcome measures included quality of life, physical activity, self-efficacy, self-care, functional status, time to readmission, social isolation, and mood. Studies were of moderate to high quality and mixed findings were reported. Enhanced exercise habits and motivational behavior to exercise, as well as decreased adverse symptoms of fatigue and dyspnea, were identified in 2 studies. However, improvements in exercise capacity and increased motivational behavior did not lead to exercise adherence in another 2 studies. CONCLUSIONS: The findings from this review suggest that WEDs may be a viable health behavior improvement strategy for patients with HF. However, studies of higher quality, with the primary intervention being a WED, and consistent outcome measures are needed to replicate the positive findings of studies identified in this review.
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 | 0,001 | 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 ».