MétaCan
Menu
Retour à la cohorte
Enregistrement W4415992293 · doi:10.2196/76761

An Internet Hospital Plus Home Nursing Model for Chronic Disease Patients: Mixed-Methods Study in Tianjin, China

2025· article· en· W4415992293 sur OpenAlexvenueno aff
Yuzhe Wang, Yingchun Liu, Ziqi Jin, Chunjie Jin, Fang Hu, Tianzhi Yu

Notice bibliographique

RevueJMIR Nursing · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésThe InternetChinaDigital healthService (business)Chronic diseaseTelemedicineImplementationChronic care

Résumé

récupéré en direct d'OpenAlex

Background: Internet hospitals and "Internet + nursing services" represent emerging medical and nursing models in China. These platforms integrate online systems with offline care to extend services beyond traditional hospital settings. With the rapid expansion of internet hospitals, a new model-internet hospital plus home nursing-has developed. However, research on its implementation and effectiveness remains limited. Objective: This study evaluates the implementation of the internet hospital plus home nursing model by analyzing workload, patient satisfaction, and nurses' perceptions, aiming to provide a strategic reference for its further development. Methods: Data from 2459 patients who used internet hospital plus home nursing services were collected from a hospital database. The frequency of applications and service timeliness were analyzed using χ2 tests. Patient diagnoses, service types, and geographic distribution were summarized using frequency tables and visualization techniques. A simulation approach, along with the Mann-Whitney U test, was used to compare the costs of transferring patients to hospitals versus providing home nursing. Multiple linear regression identified factors associated with cost differences. Patient satisfaction across different stages was compared using a U test, and nurses' attitudes were assessed via a questionnaire. Results: The majority of patients were aged 60 years and older (2120/2459, 86.2%). A significant difference in application frequency was observed across age groups (χ²4=29.86; P<.001). Oncology patients were the most common users (1468/7415, 19.8%) and intravenous blood collection was the most frequent service (4899/7415, 66.1%). Most patients resided within 6 regions near the physical hospital (2119/2459, 86.2%). All patients received services within 2 days of appointment, with waiting times significantly influenced by appointment timing (χ²1 = 290.88; P<.001). Cost distributions varied significantly by gender, age, service frequency, distance, and service type (all P<.001), with service type and distance identified as key cost determinants (P<.001). Patient satisfaction was consistently high across periods, with no significant difference (Mann-Whitney U=5,090,149; P=.38). Nurses expressed positive perceptions of the model. Conclusions: The internet hospital plus home nursing model effectively combines online diagnosis with in-home care, creating a closed-loop service that improves accessibility-particularly for older adults and mobility-impaired patients. Pilot implementations in Tianjin demonstrated benefits in convenience, accessibility, and cost-effectiveness, alongside high patient satisfaction and nursing staff approval. Given the aging population, this model holds significant potential for broader adoption. To ensure sustainable development, enhanced safety mechanisms and policy support are recommended. As an integrated health care model with Chinese characteristics, it also offers valuable insights for the global digital health sector.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,840
Score d'incertitude au seuil0,858

Scores Codex et Gemma par catégorie

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

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 Opus0,020
Tête enseignante GPT0,453
Écart entre enseignants0,433 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR NursingMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207