这项研究的临床试验方案由联邦科学和工业研究组织(CSIRO)人类研究伦理委员会(HREC)批准(批准号13/04,2013年3月25日)以及其他5个本地HRECs批准。一篇关于临床试验设计的期刊文章先前已发表[ 13］．

采用前后对照干预(BACI)设计，其中对照患者与每个测试患者相匹配。此设计[ 13- 16]在环境干预研究中很有名，但在健康干预方面鲜为人知。然而，它在涉及异质人群的研究中有理论依据，并已成功应用于许多环境干预研究[ 14- 16］．

申请人如符合早前发表的刊物所全面描述的纳入标准，即有资格参与研究[ 13，但为了方便起见，这里简要地提一下:年龄在50岁及以上;在过去12个月内有2次或以上的计划外急性入院，或在过去5年内有4次或以上的计划外急性入院，主要诊断为慢性阻塞性肺疾病、冠状动脉疾病、高血压疾病、充血性心力衰竭、糖尿病或哮喘。符合条件的患者可以由社区护士或PCP照顾，也可以是政府护理计划的参与者，而不是支持有高护理需求的个人的特殊目标计划。如果患者被诊断为认知功能受损，也会被排除在外[ 17，一种神经肌肉疾病或精神疾病。

对于每个测试参与者，多达4个对照候选人被自动匹配[ 13]按地区划分的性别、年龄、慢性病和社会经济指标(SEIFA) [ 18］．在他们同意后，2个最接近的匹配对照候选人开始作为研究参与者。我们注意到在许多情况下只有1个可接受的匹配项可用。当一个测试患者有一个以上的对照组时，匹配的对照组患者的数据被平均，以获得一个匹配的对。测试患者和对照组患者在PCP的管理下继续接受正常护理。

图1展示了通过研究招募参与者的过程和流程。从当地卫生区提供的医院名单和临床工作人员认识的患者中，共确定了1429名符合条件的患者。在这些人中，479人在经过个人筛选后仍然被认为符合条件，并且是可联系的。

排除后，形成了114名测试患者和173名对照患者的总名单，所有患者均具有药物福利计划(PBS)和医疗福利计划(MBS)数据。仔细分析澳大利亚政府公共服务部(DHS)提供的这些数据后，发现一些患者的数据缺失。结果，许多测试患者和对照组患者的数据被拒绝进行进一步分析。这导致了100名测试患者和137名对照患者的最终匹配队列。

医院数据旨在从5个试验点的医院名单中选择的所有测试和对照患者。但是，由于一些测试和对照患者没有从医院名单中选择，因此无法使用其医院数据进行分析。在100名测试患者和137名匹配的对照患者中，分别有86名和107名匹配的患者用于分析住院和住院时间(LOS)。

在对现有患者医院数据进行详细分析后发现，一些患者曾在当地医院的急诊科就诊，在某些情况下，同一天不止一次，但没有入院。因此，我们决定将一次入院计算为至少有一次过夜，这导致33名测试患者和43名对照患者进一步被拒绝，根据这些标准，他们没有入院。

这导致了53名测试患者和64名对照组患者的最终队列，这些患者可获得完整的医院历史数据。

每个试验点的项目官员(PO)负责管理研究的操作和研究活动，从而将患者护理与研究操作分开。医务主任为测试病人提供远程医疗远程监护装置(TMU)，并就该装置的使用对他们进行培训[ 13］．PO还负责患者同意、现场访问、设备维护和技术支持。

临床护理协调员(CCC)每天在工作时间通过远程护理TMU监测患者的生命体征和临床问卷回答。CCCs是经验丰富的护理人员，从每个试验地点的卫生服务提供者借调来的兼职人员。他们的作用是，当生命体征数据的远程监测和与患者的后续接触表明他们的病情正在恶化时，协调护理的提供。大多数试验患者的正常护理是由他们当地的PCP进行的。

试验组的参与者提供了远程护理TMU，该TMU由现场PO或CCCs配置，以反映患者临床状况的临床最佳实践。医生会提醒患者记录他们的生命体征测量(如血压、氧饱和度、心电图、肺活量、体温、体重和血糖)，并安排在一个方便的时间，通常是在服药前的早上。

对照组按照各自试验点的服务模式照常接受护理。在同意程序之后，他们没有与PO进一步联系。

为了比较测试和对照患者在远程监测开始时的医疗和药物支出的统计匹配性，将干预开始前100天和干预结束前最后100天的个人费用进行了汇总。的配对 t然后使用测试来确定在两个时间段内测试患者和对照组患者之间的显著变化。

医疗、制药和医院数据都同步到远程监测开始平均季节性影响的日期。在试验开始前的36个30天期间和试验开始后的12个30天期间，汇总了每位患者的医疗和药物成本数据。这近似于分析远程监测开始前3年和开始后1年的数据。

除了选择的时间间隔为100天之外，对住院和LOS数据进行了类似的处理。这是一个首选的间隔，因为住院的频率要低得多，否则会生成大量零条目的数据。

由于所有患者都是慢性疾病和衰老，因此所有结局变量都有望随着时间的推移而增加。我们拟合了包括解释变量30天或100天时间段数、前后指标变量以及这两个变量之间相互作用的线性模型。

为了实现这一点，在每个时间段内，对所有测试和对照患者的结果变量进行平均。在每个结果中测试数据的正态性，必要时应用平方根(sqrt)或LogNormal变换。

数据分析前后，分别作为斜率不同的单独时间段数，或作为斜率相同的1个时间段进行分析。该分析应用于(1)测试患者数据，(2)对照患者数据，(3)差异(对照-测试)数据。

这些时间序列分析允许确定测试患者和对照组患者的匹配程度，通过分析差异(对照-试验)控制干预对对照组患者的可能影响，并减少可能的季节性和其他时间变化的影响。

对医疗和医药福利数据进行根号变换，然后进行线性回归分析。试验患者数据和对照患者数据都重复了这一过程。从每个数据点的对照测试值计算出的差异数据被发现是正态分布的，不需要应用任何变换。

采用线性回归和坡度协方差分析(ANCOVA)对前后数据的时间过程进行建模，以确定前后坡度有统计学意义的差异，并利用差异(对照检验)对结果进行检验和验证。

为了估计干预开始后一年内的支出节省，将根号(30天成本)通过每个30天数据点乘以365/30和每个100天数据点乘以365/100转换为年度成本。

由于平方根归一化，干预前后的医疗和药品成本函数变成了二次函数，节省的估计需要在干预开始后1年，即干预开始后1年，根据3年历史轨迹的预测计算干预开始后1年的预测成本。干预后一年的预测医疗福利支出总额是根据干预开始后1年预测的年度支出曲线下的面积估计的。

在干预之后，我们预计回归线的斜率会发生变化，而实际支出曲线下方的曲线面积则提供了当年实际支出的估计值。这两个领域的差额是对全年节省开支的估计。

线性回归使用MATLAB (the MathWorks Inc)统计工具箱中的fit命令进行。线性回归剔除异常值。使用predObs命令绘制95%预测区间。预测区间表示未来在x处的观测落在其边界内的概率为95%。

标准拟合优度测量，包括由于误差平方和，决定系数(R2)， R2值调整的自由度，以及标准误差或均方根误差。对对照-试验差异数据进行相似分析。

通过结合各州和地区每个地方卫生区的医院记录，形成了1429名患者的总登记册(MR档案)。随后将该主档案中的患者死亡情况与各州和地区的出生、死亡和婚姻登记册(BDMR)的记录进行交叉核对。

为了更准确地比较试验组和对照组之间的死亡率，必须考虑人口年龄分布的影响。因此，我们使用特定年龄死亡率(asdr)，其定义为特定年龄组的死亡人数与该年龄组人口的比率。对于这两种方法，我们将实际死亡率数据与从合格患者主登记册中计算的asdr进行比较。

比较，使用可用的情况下，两组之间的基线使用卡方检验或Fisher精确检验的分类变量，2样本 t连续变量的检验，倾斜变量的Wilcoxon秩和检验。对于连续对称变量使用均值和标准差(SD)，对于偏倚数据使用中位数和95%置信区间(CI)描述测试和对照患者的基线特征。

分类变量以计数和百分比表示。在匹配组内，从基线到最后一点的差异(匹配对照减去测试数据)使用配对检查 t对称数据的检验和倾斜数据的Wilcoxon符号秩检验。所有统计检验均为双侧检验，a P的值。05was used to indicate statistical significance. Statistical analysis was performed using Stata verison 12 (StataCorp LLC), SPSS version 17 (IBM Corp), Matlab R2015b (The MathWorks Inc), and Excel (Microsoft Corp).

数据集成引擎[ 18]使用结构化查询语言查询和内置的Excel图形函数或用于更复杂图形的Visual Basic编程方便了各种图形的生成。

图2显示干预前30天的平均医疗费用超过36个间隔，干预后30天的平均医疗费用为12个间隔。 图2A和2B表示测试和对照患者的根数(医疗支出美元)， 图2C表示医疗支出的线性差异。附加的ANCOVA分析将对照患者在合并前后数据的斜率与单独的术前数据作单线比较，如图所示 图2D，表示前后差异无统计学意义( P= .929)。

以上所示的图与ANCOVA分析结果的线性回归拟合 图2都以表格形式在 多媒体附件1，并提供药物支出、住院人数和医院LOS的线性回归数据。

干预前，测试患者与对照组患者入院率无显著差异( P=.443)，但试验患者的LOS发生率明显更高( P=.013)在医院。

对于测试患者的医疗支出，干预前的斜率显著减小( P<.001)，表明医疗支出率显著降低。相比之下，对照组患者的斜率变化不显著( P= 10)。

对于药物支出，测试患者的斜率下降非常显著( P<.001)，而对照组患者表现出边缘显著性( P=.046)坡度增加。因此，(对照-试验)差异的斜率变化也有显著差异( P= .008)。

对照组无显著性差异( P=.458)，而接受测试的患者在干预前后的入院率显著下降( P= .009)。同样，对照组患者的LOS没有明显变化( P=.869)，而测试患者表现出显著的( P=.006)干预后的LOS下降，干预前后(对照-试验)坡度差异也有显著性差异( P<措施)。

医疗福利或药物福利支出在干预开始后的一年内支出率和储蓄率的变化，以及入院人数和LOS，均由式中给出的线性回归方程估计 多媒体附件1．计算一年内费率及储蓄变动的方法，载于 图3以医疗福利支出为例。

为测试患者、对照患者和差异(对照-试验)开发的根数(30天医疗费用)线性回归提供了干预前后支出的最佳拟合估计。将干预前3年数据的回归方程向前预测1年，以估计干预开始后1年的预测成本。

这在 图3简化了所有测试患者的医疗费用。在 图3，在干预开始时，测试患者的平均年龄约为71岁，并用作参考点。预测曲线与实际开支曲线之差(代表一年的估计节省)为720元，即预计开支的28%。

然而，假设这两条曲线在干预开始时恰好相遇是一种简化，可能高估了节省。如果干预措施的影响确实需要一段时间才能生效，我们预计交叉点将在远程监测开始后的某个时间下降，这取决于支出数据的变化。这实际上是在大多数情况下观察到的，如图所示 图4所有测试病人的医疗开支

图4显示对照组患者干预前的曲线函数延伸至干预后。对于测试患者，干预前后2个曲线图的截距发生在干预开始后约31天，导致每年医疗福利支出节省的估计从720美元减少到611美元。应用相似的分析回归方程的差异(对照-试验) 多媒体附件1(小组A)的结果是每年节省657美元的估计数。

文中给出了医疗和药品费用支出率、入院人数、住院人数以及一年平均节省的估计数 多媒体附件2．

研究中共有57名测试患者和76名对照患者来自1429名患者的MR。试验患者的粗死亡率为8.8%(5/57)，匹配对照组的粗死亡率为17.1%(13/76)，死亡率降低48.5%。

对于通过BDMR在每个状态下准确获得生存数据的100名测试患者，给出了测试患者相对于MR文件中的患者的ASDR 表2．

使用ADSRs 表2根据符合条件的患者的MR计算，预计有13.68例死亡，但仅记录了8.0例死亡。这意味着挽救了5.68人的生命，减少了41.5%。

本研究的结果表明，在家远程监护对医疗保健支出、住院人数和LOS以及死亡率的降低具有统计上强有力的积极影响，并随着时间的推移而增加。

表1证明在干预开始时，测试患者和他们的对照组在药物和医疗项目的支出方面通常很匹配。然而，在干预结束前的最后100天里，测试患者在医疗和药品上的平均支出比对照组患者少3298美元。

多媒体附件1显示，在干预前3年，试验患者和对照组患者在医疗和药物支出和医院LOS方面的斜率有显著差异，但在住院次数方面无显著差异。

有趣的是，干预前，测试患者的医疗支出斜率大于对照组患者，但药物支出斜率小于对照组患者，这表明测试患者比对照组患者更有可能使用医疗服务，但不太可能在药物处方药上花钱。

干预开始一年后的医疗和药品支出预测率估计分别为每年2803美元和每年3176美元( 多媒体附件2)．由于采取了远程监测干预措施，这些支出率分别下降到每年1504美元和每年2365美元，减少了46.3%和25.5%。在进行干预的一年中，估计平均节省医疗和药品费用为611美元和354美元，分别为23.5%和11.5%。然而，差异(对照试验)数据表明，药品成本的节省可能是微不足道的。

在远程监测开始时，测试患者的LOS发生率平均为19.8天，1年后预计将增加到每年24.6天( 多媒体附件2)．远程监测将1年后预计的LOS年发生率从每年24.6天降低到每年7.9天，减少了67.9%。在进行远程监测干预后的一年中，与未进行干预的那一年预测的22.2天相比，这导致平均节省7.5天或33.8%的住院时间。

试验患者的粗死亡率为8.8%，匹配对照组的粗死亡率为15.8%，死亡率降低48.5% ( 表2)．一种更准确的方法是将100名试验患者(8例死亡)的asdr与1429名患者(13.64例死亡)的主注册表生成的预期asdr进行比较，结果显示死亡率降低了41.5%。

该项目设计是沿着澳大利亚东海岸进行的多州、多地点试验，由于政府资助的全民医疗保健系统(Medicare)，全国城市环境中的医疗服务提供相对统一，我们认为结果可以推广到更广泛的澳大利亚城市人口，但不一定适用于农村和偏远地区或其他卫生系统不同的国家。

这些结果大致一致，但较英国水务署试验报告的结果有利[ 8- 10]或美国退伍军人健康管理局(VHA)护理协调/家庭远程医疗(CCHT)计划[ 19］．

水务署的主要调查结果[ 8- 10包括事故和急诊减少15%，紧急入院减少20%，选择性入院减少14%，住院天数减少14%，关税成本减少8%，死亡率减少45%。

本研究报告的结果差异可归因于患者选择的不同方案(全科医生选择vs从医院名单中选择匹配的测试和对照患者)以及可用数据的质量和分析模式的差异。

在2003年7月至2007年12月期间，VHA实施了一项全国家庭远程保健计划(CCHT)，该计划支持随着退伍军人年龄的增长在家中照顾患有慢性疾病的退伍军人。

VHA服务中采用的技术与本研究中使用的远程监控技术有很大不同，包括可视电话、消息设备、生物识别设备、数码相机和远程监控设备。更重要的是，年龄分布有很大的不同，包括20岁以下和80岁以上的参与者，他们的疾病范围更广，包括创伤后应激障碍、抑郁症和其他精神健康问题。

CCHT患者卫生保健资源利用绩效测量的常规结果分析包括比较患者入组前一年的住院数据和入组后6个月的数据。在加入CCHT项目后，这组患者的住院率减少了19.74%，住院天数(BDOC)减少了25.31%。在同一时期，在VHA登记的所有患者的BDOC下降了4.6%，在解释这一变化时需要考虑到这一点。考虑到该计划的规模、复杂性和资源，以及构成VHA的CCHT护理模式的临床、教育、技术和业务流程的全面和系统方法，对结果进行正式比较是不可能的。然而，考虑到我们的研究规模小，对资格的严格控制，以及研究队列的较大同质性，我们报告的结果相当好并不令人惊讶。

像所有复杂的临床试验一样，这个项目遭遇了无数挫折。影响试验执行和后续数据分析的一些主要问题如下:

家庭远程监护可显著减少医疗服务支出，减少住院次数，平均每年减少7.5天的住院时间。在试验期间，测试患者相对于对照组患者的死亡率也降低了41.5%至48.5%。

从这项研究中，不可能将CCC的护理协调和指导的效果与家庭远程监护和患者自我管理的直接和独家影响分开。然而，所提供的数据清楚地表明，在干预后的第一年，家庭远程监护的影响几乎呈线性增加。

人们可以设想，这种影响将不可避免地趋于平稳，并可能随着年龄和发病率的增加而开始上升;然而，需要更长期的研究来阐明远程监测在更长的时间框架内的影响。

还需要进一步研究，以了解为什么无法避免记录在案的住院情况。是现有的生命体征没有提供病情恶化的充分警告，还是这些警告信号被护士协调员或患者的PCP忽视或没有及时采取行动?

在提供本研究报告的服务时需要考虑的家庭远程监控以及组织变革管理要求和工作场所文化问题的详细成本效益分析将单独报告。

然而，初步的成本效益分析是基于提供远程监测服务的成本估算——大约每年2760澳元(每天7.40澳元)，而根据一张床每天的平均成本2051澳元，每年可能节省超过19,000澳元，投资回报约为6倍。