Clinical Telemedicine Utilization in Ontario over the Ontario Telemedicine Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Northern Ontario is a region in Canada with approximately 775,000 people in communities scattered across 803,000 km(2). The Ontario Telemedicine Network (OTN) facilitates access to medical care in areas that are often underserved. We assessed how OTN utilization differed throughout the province. MATERIALS AND METHODS: We used OTN medical service utilization data collected through the Ontario Health Insurance Plan and provided by the Ministry of Health and Long Term Care. Using census subdivisions grouped by Northern and Southern Ontario as well as urban and rural areas, we calculated utilization rates per fiscal year and total from 2008/2009 to 2013/2014. We also used billing codes to calculate utilization by therapeutic area of care. RESULTS: There were 652,337 OTN patient visits in Ontario from 2008/2009 to 2013/2014. Median annual utilization rates per 1,000 people were higher in northern areas (rural, 52.0; urban, 32.1) than in southern areas (rural, 6.1; urban, 3.1). The majority of usage in Ontario was in mental health and addictions (61.8%). Utilization in other areas of care such as surgery, oncology, and internal medicine was highest in the rural north, whereas primary care use was highest in the urban south. CONCLUSIONS: Utilization was higher and therapeutic areas of care were more diverse in rural Northern Ontario than in other parts of the province. Utilization was also higher in urban Northern Ontario than in Southern Ontario. This suggests that telemedicine is being used to improve access to medical care services, especially in sparsely populated regions of the province.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 découle