MétaCan
Menu
Retour à la cohorte
Enregistrement W4411353831 · doi:10.2196/76730

Medico-Economic Evaluation of a Telehealth Platform for Elective Outpatient Surgeries: Randomized Controlled Trial

2025· article· en· W4411353831 sur OpenAlexaffabout
Florian Robin, Maxim Roy, Alexandre Kuftedjian, Marie-Ève Desrosiers, Frédéric Lavoie, Marie‐Pascale Pomey, Alexandre Castonguay, David Benatia, Guy Paré

Notice bibliographique

RevueJournal of Medical Internet Research · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueNausea and vomiting management
Établissements canadiensHEC MontréalUniversité de MontréalCentre Hospitalier de l’Université de Montréal
Organismes subventionnairesnon disponible
Mots-clésPreprintTelehealthRandomized controlled trialTelemedicineMedicineTelepsychiatryMedical emergencyPhysical therapyWorld Wide WebHealth careSurgeryComputer science

Résumé

récupéré en direct d'OpenAlex

Background: The increasing prevalence of ambulatory surgeries has highlighted the need for effective postoperative follow-up. While telemedicine represents a promising option for perioperative support and postoperative monitoring, evidence of its actual benefits remains limited. Objective: This study aims to evaluate the medico-economic impact of a personalized telemedicine platform for postoperative follow-up in day-surgery patients in terms of cost-effectiveness and cost-utility. Methods: This single-blinded, 2-group randomized controlled trial was conducted at the Centre Hospitalier de l'Université de Montréal (CHUM) from August 2022 to September 2023. Adults undergoing elective day surgery were randomized into 2 groups: the intervention group, which received postoperative follow-up via the LeoMed telemedicine platform, and the control group, which received standard care. The intervention group used a personalized telehealth platform offering preoperative education, psychological support, and postoperative monitoring through daily follow-up forms sent to patients' smartphones. Alerts generated by patient responses were reviewed by CHUM's telehealth support unit. The primary outcome was unanticipated health care usage, including emergency visits, readmissions, and medical consultations within 30 days postprocedure. Secondary outcomes included gained quality-adjusted life years (QALYs), patient satisfaction, health care costs, and greenhouse gas emissions. Demographic and outcome data were summarized using descriptive statistics; categorical variables were reported as frequencies and percentages, and continuous variables as means with standard deviations. Between-group comparisons were conducted using appropriate statistical tests by the HEC Montréal health economics team, following an intention-to-treat approach. Results: Of 1411 patients screened, 1214 were randomized, with 436 in the intervention group and 445 in the control group analyzed. Compliance with the platform was high, with a mean compliance index of 0.89 in the intervention group. No significant differences in unanticipated health care usage were observed. The average cost of unplanned care was CAD $370 (US $275) in the control group versus CAD $323 (US $239) in the intervention group (P=.60). The intervention group demonstrated a statistically significant QALY gain at postoperative day 14 (0.002; P=.01), but the difference was no longer significant at day 30 (0.001; P=0.14). There were also no significant differences in GHG emissions between the groups, with the intervention group emitting an average of 0.870 kg CO₂-eq compared with 1.055 kg CO₂-eq in the control group (P=.52). However, patient satisfaction was significantly higher in the intervention group at both days 14 (P=.02) and 30 (P<.001). Conclusions: This trial demonstrates the potential of telemedicine platforms to enhance postoperative care in ambulatory surgery settings. While no significant reductions in health care usage were observed, the intervention improved QALYs and patient satisfaction, suggesting potential cost-utility benefits. Larger trials are needed to confirm these findings and explore the impact on long-term recovery and health care savings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,087
score de la tête « metaresearch » (Gemma)0,049
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMétarecherche
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 enseignants0,038
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0870,049
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,114
Tête enseignante GPT0,495
Écart entre enseignants0,380 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations3
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Medical Internet ResearchMême sujetNausea and vomiting managementTravaux en français237 207