Effectiveness and Cost-Effectiveness of Self-Management Interventions for Adults Living with Heart Failure to Improve Patient-Important Outcomes: An Evidence Map of Randomized Controlled Trials
Notice bibliographique
Résumé
Self-management interventions (SMIs) may enhance heart failure (HF) outcomes and address challenges associated with disease management. This study aims to review randomized evidence and identify knowledge gaps in SMIs for adult HF patients. Within the COMPAR-EU project, from 2010 to 2018, we conducted searches in the databases MEDLINE, CINAHL, Embase, Cochrane, and PsycINFO. We performed a descriptive analysis using predefined categories and developed an evidence map of randomized controlled trials (RCTs). We found 282 RCTs examining SMIs for HF patients, comparing two to four interventions, primarily targeting individual patients (97%) globally (34 countries, only 31% from an European country). These interventions involved support techniques such as information sharing (95%) and self-monitoring (62%), often through a mix of in-person and remote sessions (43%). Commonly assessed outcomes included quality of life, hospital admissions, mortality, exercise capacity, and self-efficacy. Few studies have focused on lower socio-economic or minority groups. Nurses (68%) and physicians (30%) were the primary providers, and most studies were at low risk of bias in generating a random sequence for participant allocation; however, the reporting was noticeably unclear of methods used to conceal the allocation process. Our analysis has revealed prevalent support techniques and delivery methods while highlighting methodological challenges. These findings provide valuable insights for researchers, clinicians, and policymakers striving to optimize SMIs for individuals living with HF.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| 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 ».