MétaCan
Menu
Retour à la cohorte
Enregistrement W4404696349 · doi:10.1186/s12913-024-11952-7

Effectiveness of the community paramedicine at home (CP@home) program for frequent users of emergency medical services in Ontario: a randomized controlled trial

2024· article· en· W4404696349 sur OpenAlexafffundabout
Gina Agarwal, Ricardo Angeles, Jasdeep Brar, Melissa Pirrie, Francine Marzanek, Brent McLeod, Lehana Thabane

Notice bibliographique

RevueBMC Health Services Research · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueEmergency and Acute Care Studies
Établissements canadiensSt. Joseph’s Healthcare HamiltonImpactMcMaster University
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicineRandomized controlled trialHealth informaticsNursing researchHealth administrationHealth services researchHouse callMedical homePublic healthNursing homesFamily medicineNursingMedical emergencyGerontologyPrimary careInternal medicine

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: To evaluate the impact of the Community Paramedicine at Home (CP@home) program, a community paramedicine home-visit intervention, on reducing emergency medical services (EMS) calls among frequent users. DESIGN: A 6-month, open-label, pragmatic, randomized controlled trial with parallel intervention and control arms. An online automated platform (randomizer.org) was used to randomly allocate participants using a 1:1 allocation sequence. SETTING: In homes of frequent EMS users in four paramedic services and regions across Ontario, Canada. PARTICIPANTS: Eligible participants were frequent callers (≥ 3 EMS calls within six months and ≥ 1 EMS call within the previous month), or had ≥ 1 lift assist call within the previous month, or were referred by paramedics. INTERVENTION: Community paramedics conducted risk assessments, provided health education, referred appropriate resources, and reported to family physicians for up to three home visits. The control arm received usual care. PRIMARY OUTCOME MEASURE: EMS calls in 6 months during intervention. RESULTS: Two thousand two hundred eighty four eligible participants were randomly allocated to the intervention and control groups, with 265 participants lost to follow-up due to inability to retrieve participant records from EMS databases. There were 1025 intervention participants (52.7% female, mean age 69.65 years [standard deviation (SD) = 19.98]) and 994 control participants (52.0% female, mean age 69.78 years [SD = 19.09]). In the post-intervention intention-to-treat analysis (zero-inflated negative binomial regression), the EMS call rate was not significantly lower in the intervention group compared to the control group (incidence rate ratio [IRR] = 0.88, 95% confidence interval [CI]: 0.76, 1.01). In the subgroup analysis, the intervention had a significant effect in the lift assist caller subgroup (IRR = 0.73, 95% CI: 0.58, 0.92), but no significant effect among the frequent caller subgroup (IRR = 0.97, 95% CI: 0.82, 1.14). The sensitivity analyses found a similar association for the lift assist caller subgroup. There was a significant subgroup effect (p-value for interaction < 0.01). CONCLUSIONS: CP@home had a significant impact on reducing EMS calls for those with a lift assist call but not for the overall sample. This program filled a healthcare gap by shifting primary care delivery, which could reduce the disproportionate number of EMS calls, thus reducing healthcare costs. TRIAL REGISTRATION: Registered with ClinicalTrials.gov NCT02835989 on July 14, 2016.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,881
Score d'incertitude au seuil0,236

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,452
Écart entre enseignants0,395 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC Health Services ResearchMême sujetEmergency and Acute Care StudiesTravaux en français237 207