The Impact of a Digital Health Pathway on Complications Following HIFU Treatment in Prostate Cancer Patients—A Pre- and Postintervention Study
Notice bibliographique
Résumé
Background/Objectives: Digital health pathways, including prehabilitation programs, may help reduce complications after urologic procedures. This study assesses the impact of a digital health intervention on infectious complications, urinary retention, and unplanned patient contacts after high-intensity focused ultrasound (HIFU) treatment for prostate cancer. Methods: A pre-/post-intervention study design was applied. The intervention consisted of implementing a mobile health pathway via a mobile application integrated into the perioperative management of patients undergoing HIFU treatment for prostate cancer. Urinary complication rates and unplanned patient contacts with the surgical team before and after implementation were compared using the Mann–Whitney U test. Results: 58 patients were included in the analysis. Demographic, tumor, and treatment characteristics were comparable between both groups. The post-intervention group showed a lower incidence of symptomatic urinary infections (3 vs. 10; p = 0.019) and fewer unplanned visits (4 vs. 10; p = 0.047) after the implementation of the mobile application. No significant differences in rates of acute urinary retention and unplanned communication with the surgical team were observed. Conclusions: Integration of a digital health pathway was associated with reduced infectious complications and fewer unplanned visits after HIFU treatment. Incorporating such tools into perioperative management may improve patient 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».