Impact of remote biometric sensing on readmission risk and mortality after hospital discharge: Insights from a systematic review and meta‐analysis
Notice bibliographique
Résumé
Abstract Introduction Unplanned hospital readmissions are associated with higher morbidity, mortality, and financial burden. This study evaluated the association between the use of remote biometric sensing devices (RBS) and all‐cause readmission and mortality rates among adult patients discharged from the hospital. Methods We systematically searched MEDLINE, Embase, Scopus, and Global Health from inception to August 2023. Eligible studies assessed adult patients using RBS devices, defined as tools capable of automatically or manually measuring at least one biometric marker beyond physical activity, after hospital discharge. Studies required a comparison group and reported all‐cause readmission rates. Risk ratios (RRs) with 95% confidence intervals (CIs) were summarized using random‐effects models to account for variability. Subgroup analysis was conducted based on study design, follow‐up period postdischarge, and index discharge diagnosis. Results Out of 9363 identified studies, 39 studies (23 randomized control trials, 14 cohort studies, and two nonrandomized trials) comprising 160,857 patients met the inclusion criteria. RBS use was associated with lower risk of all‐cause readmission (RR = 0.75; 95% CI: 0.67–0.84, I 2 = 72.3%); especially within 30‐day postdischarge (RR = 0.74; 95% CI: 0.64–0.87; I 2 = 35%). Among the subgroup of postsurgical patients, RBS use was associated with an 18% lower all‐cause readmission risk (RR = 0.82; 95% CI: 0.69–0.98; I 2 = 0%). RBS use was associated with lower 30‐day mortality risk (RR = 0.63; 95% CI: 0.46–0.85), with no significant associations thereafter. Conclusion Among patients recently discharged from the hospital, RBS use is associated with improved short‐term outcomes. Future studies are needed to validate these findings.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,002 |
| Bibliométrie | 0,002 | 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 | 0,001 |
| 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 ».