Variations in provider practices in remote patient monitoring on peritoneal dialysis in the USA and Canada
Notice bibliographique
Résumé
Automation has allowed clinicians to program PD treatment parameters, all while obtaining extensive individual treatment data. This data populates in a centralized online platform shortly after PD treatment completion. Individual treatment data available to providers includes patients' vital signs, alarms, bypasses, prescribed PD treatment, actual treatment length, individual cycle fill volumes, ultrafiltration volumes, as well as fill, dwell, and drain times. However, there is no guidance about how often or if this data should be assessed by the clinical team members. We set out to determine current practice patterns by surveying members of the home dialysis team managing PD patients across the United States and Canada. A total of 127 providers completed the survey. While 91% of respondents reported having access to a remote monitoring platform, only 31% reported having a standardized protocol for data monitoring. Rating their perceived importance of having a standard protocol for remote data monitoring, on a scale of 0 (not important at all) to 10 (extremely important), the average response was 8 (physicians 7; nurses 9). Most nurses reported reviewing the data multiple times per week, whereas most physicians reported viewing the data only during regular/monthly visits. Although most of the providers who responded have access to remote monitoring data and feel that regular review is important, the degree of its utilization is variable, and the way in which the information is used is not commonly protocolized. Working to standardize data interpretation, testing algorithms, and educating providers to help process and present the data are important next steps.
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 | 0,001 |
| 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 ».