Gezondheidsgeletterdheid, stress en kwaliteit van leven bij patiënten met hartfalen

Hartfalen toont een trend van het beïnvloeden van jongere individuen. Patiënten van hartfalen van middelbare leeftijd zijn vaak de economische ruggengraat van hun families. Studies hebben er ook op gewezen dat ongeveer 38,5% van de patiënten met acuut hartfalen opnieuw binnen een jaar na ontslag wordt gehaald als gevolg van verslechterende symptomen. Patiënten met een lagere gezondheidsgeletterdheid hebben meestal een slechtere gezondheidsresultaten en hogere re-hospitaliseringspercentages. Er is echter beperkt onderzoek naar het leven en werkstress, gezondheidsgeletterdheid en kwaliteit van leven van patiënten met hartfalen van middelbare leeftijd. Daarom is deze studie bedoeld om machine learning te gebruiken om de correlaties tussen gezondheidsgeletterdheid, stress en kwaliteit van leven bij patiënten met hartfalen te analyseren en te voorspellen.

Dit onderzoek is een cross-sectionele correlationele studie, die gemaksproef aanneemt. De proefpersonen zijn cardiologische patiënten van 18-65 jaar gediagnosticeerd met hartfalen geclassificeerd als NYHA II of hoger door specialisten in een regionaal onderwijsziekenhuis in het noorden van Taiwan. Gegevensverzameling vond plaats in de poliklinische en intramurale afdelingen van cardiologie en cardiothoracale chirurgie. Gestructureerde vragenlijsten werden gebruikt voor één-op-één interviews, waaronder demografische basisinformatie van patiënten met hartfalen, de Chinese versie van de European Health Literacy Survey Questionnaire (HLS-EU-Q47), de Chinese versie van de korte Resilience Scale (BRS), de waargenomen stressschaal (PSS) en de Minnesota Woon met hartfalenvragenlijst (MLHFQ). Gegevens worden opgenomen met behulp van Excel en statistische analyse zal worden uitgevoerd met behulp van SPSS -versie 22. Beschrijvende statistieken zoals percentages, gemiddelden en standaardafwijkingen zullen worden gebruikt om de demografische en variabele distributies te beschrijven. Onafhankelijke t-tests, ANOVA en Pearson correlatiecoëfficiënt zullen worden gebruikt om correlaties tussen variabelen te analyseren. Machine learning zal worden gebruikt om de kwaliteit van levensfactoren bij patiënten met hartfalen te analyseren en te voorspellen. Het is te hopen dat de resultaten van deze studie referenties kunnen geven voor de verpleegkundige praktijk, helpen bij de beoordeling van de klinische patiënt en de kwaliteit van de zorg voor patiënten verbeteren.