Transitional Care Units in the United States: A Model for Improving Dialysis Care
Notice bibliographique
Résumé
ESKD incidence rates are increasing, and mortality rates remain high. Fewer than 15% of patients use home dialysis modalities or receive preemptive kidney transplants. To address these shortcomings, executive order 13,879 (the Advancing American Kidney Health Initiative) directs the Centers for Medicare & Medicaid Services to encourage home dialysis and increase access to kidney transplants. Transitional care units (TCUs) have the potential to promote these goals by filling the gaps in care. TCUs are outpatient dialysis units for patients initiating dialysis with little or no predialysis care that provides education, facilitates smooth transitions to home or in-center dialysis, and expedites referrals to transplant clinics. TCUs offer patient-centered education, enhanced case management, and emotional support. This can improve vascular access outcomes, home dialysis utilization, and transplant referral rates. TCUs potentially address barriers to home dialysis and ideally compensate for inadequate pre-ESKD care. We performed a narrative review of several studies concerning the effect of TCUs on home dialysis utilization and patient outcomes. Eight primary studies from the United States, Canada, and the United Kingdom were reviewed, with about 7400 patients from several health and payer systems. We focused on TCU programs representing multiple payer systems, variable cohort selection criteria, and manuscripts that addressed Centers for Medicare & Medicaid Services quality measures and/or patient-centered outcomes. We call attention to the small numbers of TCUs in the United States and suggest that expansion of TCU's could benefit patients, particularly those who start dialysis under urgent conditions, which could promote equity within the ESKD population.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».