Non-invasive monitoring strategies for atrial fibrillation detection in adult cardiac surgery patients after hospital discharge: A scoping review
Notice bibliographique
Résumé
BACKGROUND: Atrial fibrillation (AF) is a common complication after cardiothoracic surgery, affecting up to 50 % of patients. It can develop after discharge, leading to frequent hospital readmissions. There is a growing need for effective monitoring strategies to detect AF in the post-discharge period. OBJECTIVES: To synthesis the available literature on various mobile monitoring devices used to detect AF in adult cardiac surgery patients post-discharge from the hospital. METHODS: Following Arksey and O'Malley's framework and the PRISMA-ScR guidelines. A comprehensive search of six databases (PubMed; MEDLINE; CINAHL; Scopus; ProQuest; and Web of Science) was performed, including studies published between 2009 and 2024. The risk of bias was assessed using the Newcastle-Ottawa Scale (NOS). RESULTS: A total of 1256 de-duplicated studies were screened, and 102 studies underwent full-text review. Five studies were included: four prospective cohort studies, and one randomised clinical trial. Samples sizes ranged from 23 to 730 adults undergoing cardiac surgery, with follow-up between four weeks to three months post-discharge. Handheld and wearable ECG-based devices were the most used tools for AF detection, demonstrating high sensitivity and specificity. Their use effectively reduced unplanned hospital visits and improved clinical outcomes. Patient adherence to monitoring protocols was generally high, though variability in engagement was noted. CONCLUSIONS: Handheld and wearable ECG- based devices, are effective for post-discharge AF detection in cardiac surgery patients. Integrating these tools into routine post-discharge care can improve patient outcomes. Future research should focus on long-term effectiveness and strategies to optimise patient engagement and implementation in clinical practice.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,000 | 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 ».