International survey of cardiac device clinic staff determining patient-perceived challenges with remote monitoring
Notice bibliographique
Résumé
BACKGROUND: Regular interaction with patients with cardiac implantable electronic devices (CIEDs) provides CIED clinic personnel with unique insights into patient-related barriers and challenges to remote monitoring (RM) implementation. METHODS: Using a global network, an international survey was administered to CIED clinic personnel. Qualitative questions gathered information on perceived challenges with patient connectivity and patient-level barriers associated with RM implementation. RESULTS: A total of 339 responses from 302 unique centres were included in the analysis. Respondents most often were cardiac electrophysiologists (57.8%), followed by nurses (17.1%) and nurse practitioners (7.7%). Most respondents (84.7%) reported at least one challenge in daily RM management. The biggest challenge was the increasing data volume and data variability (38.3%), followed by staff shortage (33.8%), difficulties with billing for technical activities (20.2%), and insufficient RM reimbursement (16.0%). Patient connectivity was identified as a major barrier by 72.7% of respondents. The main concerns were patient literacy (80.8%), followed by a lack of patient understanding of RM importance (65.8%), the lack of required bandwidth or technology to support RM (49.6%), and the cost to the patient (47.9%). Subgroup analyses showed that patient connectivity was often identified as a major barrier by non-MD CIED clinic staff, respondents working in office-based CIED clinics, and respondents from clinics with a per-patient payment reimbursement model. CONCLUSIONS: There are many patient-related barriers identified by non-MD CIED clinic staff. Dedicated strategies to optimise the utilisation and adherence of RM of patients with CIEDs are urgently needed to improve clinical outcomes.
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) | 0,001 | 0,000 |
| 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 ».