How and Why Telehealth Interventions Work for Improving Self-Care among Vulnerable Groups of Heart Failure Patients: A Rapid Realist Synthesis (Preprint)
Notice bibliographique
Résumé
BACKGROUND Heart Failure (HF) is a prevalent condition among older adults in Canada, often leading to reduced quality of life and frequent hospitalizations. Heart Failure Disease Management Interventions (HFDMIs), particularly those delivered through telehealth, aim to improve care by fostering self-care and reducing readmissions. However, disparities in access and utilization of heart failure telehealth services persist within marginalized populations. OBJECTIVE The purpose of this paper is to present the findings of a scoping review and a rapid realist synthesis around HF telehealth interventions for vulnerable groups of patients with HF. This review is underpinned by the meta-theory of CR and intersectionality theory. METHODS A rapid realist synthesis was undertaken for the retrieved literature to explore the underlying mechanisms and contexts that make HF telehealth interventions work or not work for marginalized groups of HF patients. RESULTS The realist review findings indicate that vulnerable patients require simple interventions. The findings also suggest that for effective utilization of telehealth and remote monitoring services, these patients require simplified training that could increase their confidence. The review findings have also demonstrated that involving patients’ family members in the delivery of telehealth interventions ensures success. CONCLUSIONS Future research with vulnerable populations should be underpinned by the critical/ intersectionality theory and should apply the principles of intersectionality at all stages of the research process, including evaluation and analysis. This review also urges HF practitioners to apply the principles of intersectionality and health equity in clinical practice, such that the interventions are simple, personalized, involve family members, include an in-person component, include patients’ and health professionals’ training, and integrate telemonitoring data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,084 | 0,285 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,010 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».