Mobile Health Assisted Self Monitoring in Heart Failure Patients To Ensure Quality of Life: A Scoping Review
Notice bibliographique
Résumé
Background: Heart failure leads to reduced quality of life, high hospitalization rates, mortality rates, and treatment costs where out-of-hospital self-monitoring can help with management and prevention of hospitalization and digital apps can help with this. The purpose of this review was getting all information of the studies regarding self-monitoring assisted by mobile health or digital application for heart failure patients.Subjects and Method: Using the Preferred Reporting Items for Systematic Reviews and Meta-Analysis Protocols for a Scoping Review (PRISMA-ScR), literature searches were developed by searching the databases: PubMed.gov, ScienceDirect, SpringerLink, Google Scholar. Following the eligibility criteria, articles that included were analyzed to get the result.Results: Mostly the studies were conducted in 2016 and 2017 (20% each, n=5), less studies in 2018, 2019, 2020, and increased again in 2021 (16%, n=4). The studies were done 57% in USA (n=13), both Australia and Canada were 9% (n=2), and other countries. The designs of the studies were mostly RCT (74%, n=17). Sample size was variative mostly less than 50 participants (39%, n=9). There were 65% of the studies measured the daily body weight (n=15), others used vital signs 57%, medication adherence 39%, and other items. QoL was the most in the outcome (61%, n=14). Main findings mostly showed positive impact on self-monitoring with digital application.Conclusion: Using mobile apps for heart failure patients’ self-monitoring created the positive impacts in the expected outcomes, mostly for quality of life.
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 | 0,011 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».