How and Why Telehealth Interventions Improve Self-Care Among Vulnerable Groups of Patients With Heart Failure: Scoping Review and Rapid Realist Synthesis
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. HF disease management interventions, particularly those delivered through telehealth, aim to improve care by fostering self-care and reducing readmissions. However, disparities in access to and use of HF telehealth services persist among vulnerable populations. Objective: This study aimed to present the findings of a scoping review and a rapid realist synthesis of HF telehealth interventions for vulnerable groups of patients with HF. This review is underpinned by the metatheory of critical realism and intersectionality theory. Methods: A rapid realist synthesis of the retrieved literature was undertaken to explore the underlying mechanisms and contexts that make HF telehealth interventions work or not work for marginalized groups of patients with HF. Results: The realist review findings indicated that vulnerable patients require simple interventions. The findings also suggested that for effective use of telehealth and remote monitoring services, these patients require simplified training that could increase their confidence. The review findings further 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 realism and 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 interventions are simple and personalized, involve family members, include an in-person component, provide training for patients and health professionals, 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 | 0,066 | 0,264 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,011 |
| Bibliométrie | 0,014 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».