MétaCan
Menu
← Retour à la cohorte
Enregistrement W7165123930 · doi:10.2196/90422

Effects of Remote, Virtual, or Hybrid Cardiac Rehabilitation Supported by mHealth in Patients With Heart Failure: A Systematic Review and Meta-Analysis (Preprint)

2025· article· en· W7165123930 sur OpenAlexvenueno aff
Kaidong Shao, Chunqiu Liu, Tianshu Li, Huiyan Qu, Hua Zhou

Notice bibliographique

RevueJMIR mhealth and uhealth · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueCardiac Health and Mental Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésmHealthRehabilitationTelemedicineMEDLINEDigital healthTelehealth

Résumé

récupéré en direct d'OpenAlex

Background: Structured exercise is a key component of cardiac rehabilitation (CR) for patients with heart failure (HF), but access to center-based cardiac rehabilitation (CBCR) is often limited. Mobile health (mHealth) platforms enable remote, virtual, or hybrid cardiac rehabilitation (RVH-CR) delivery. Objective: This study aimed to evaluate the effectiveness and safety of structured, exercise-focused RVH-CR supported by mHealth compared with usual care or CBCR in patients with heart failure with reduced ejection fraction (HFrEF) or in HF populations predominantly comprising patients with HFrEF. Methods: We searched PubMed, Web of Science, MEDLINE via Ovid, Cochrane CENTRAL, and CINAHL Complete from inception to April 27, 2026. Randomized controlled trials comparing mHealth-supported RVH-CR with usual care or CBCR were included. The primary outcome was exercise capacity, assessed by peak oxygen uptake (VO2 peak) and 6-minute walk distance (6MWD). Secondary outcomes included health-related quality of life and safety. Data were pooled using random-effects meta-analysis stratified by comparator. Risk of bias was assessed with the Cochrane Risk of Bias Tool version 2, and evidence certainty was evaluated using GRADE (Grading of Recommendations Assessment, Development, and Evaluation). Results: Eight randomized controlled trials with 1368 patients were included. In the CBCR comparison, mHealth-supported RVH-CR showed a statistically significant greater improvement in VO2 peak than CBCR (mean difference [MD] 0.82, 95% CI 0.06-1.57; P=.03), although this finding was based on a limited number of trials. Compared with usual care, mHealth-supported RVH-CR was associated with improved 6MWD (MD 22.99, 95% CI 1.15-44.82; P=.04). Single-trial estimates suggested improvements in VO2 peak (MD 2.50, 95% CI 0.88-4.12) and Minnesota Living with Heart Failure Questionnaire scores (standardized MD -0.57, 95% CI -0.98 to -0.17; P<.01) versus usual care. The certainty of evidence ranged from low to moderate. No intervention-related deaths or serious adverse events were reported, but sparse events and short follow-up limited conclusions regarding safety. Conclusions: The effects of structured RVH-CR supported by mHealth differed according to comparator type, but the certainty of evidence ranged from low to moderate. Compared with usual care, mHealth-supported RVH-CR was associated with improved 6MWD. Compared with CBCR, mHealth-supported RVH-CR showed a significantly greater improvement in VO2 peak in a limited number of trials, but superiority, equivalence, or noninferiority to CBCR cannot be concluded. Because usual care and CBCR are clinically distinct comparators, no single overall effect across comparator types should be inferred. Future studies should assess long-term outcomes and standardize structured exercise protocols across RVH-CR models.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,017
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0120,034
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,016
Tête enseignante GPT0,352
Écart entre enseignants0,336 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueJMIR mhealth and uhealth→Même sujetCardiac Health and Mental Health→Travaux en français237 207→