The Role of Telemedicine in Improving Hypertension Management Outcomes: A Systematic Review
Notice bibliographique
Résumé
Telehealth has been proven to be effective in a variety of healthcare settings and has enhanced patient utilization of healthcare services. Little is known about the use of telehealth in the treatment of hypertension. This study aimed to categorize and identify data related to various telehealth technologies and intervention types used in the management of hypertension. The Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines were used to search the literature based on predetermined inclusion and exclusion criteria. These databases contained 1,483 relevant articles, which were screened for duplication using Endnote software. After a careful full-text article evaluation, only 42 of these articles were found to be relevant. The Newcastle-Ottawa Scale was used to assess the risk of bias in each included study. The majority of studies (23.8%) were conducted in urban areas (33.3%), were from the United States, and used a quantitative study approach (69%), according to the proportions of studies displaying different patterns over the past 10 years. Telemonitoring and teleconsultation are the two most used telehealth techniques for managing hypertension. Asynchronous telehealth is quickly becoming the most popular technique for controlling hypertension. In hypertension management, telehealth refers to the use of communication technologies to remotely monitor and regulate blood pressure as well as offer medical advice and counseling.
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) | 0,006 | 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 ».