Telemedicine and Epilepsy Care - A Canada Wide Survey
Notice bibliographique
Résumé
BACKGROUND: Canadian provinces boast one of the most sophisticated telemedicine infrastructures in the world. Feasibility of epilepsy care through telemedicine is established, but its use by practicing neurologists is unknown. The Canadian League against Epilepsy's telemedicine task force conducted this study to understand the perceptions, barriers and usage of telemedicine in epilepsy care. METHODS: Using a 14 item questionnaire we prospectively surveyed all the epileptologists across Canada with regards to current use, perceived benefits and barriers to the use of telemedicine. The survey was mailed out to 76 neurologists who had a primary interest in epilepsy. RESULTS: We received 39 responses (54.1%) spanning seven provinces. Majority of the responders were 50 years and over (56.4%). Although 61.5% of the physicians acknowledged a need for tele-epilepsy services, the majority (64.1%) had not used telemedicine. The most common forms of technology were videoconferencing and telephone but some physicians had also used email. Telemedicine was mainly used for clinical and educational purposes. 79.5% of physicians had access to videoconferencing equipment and 61.5% assessed that there was a need/use for clinical telehealth. The main perceived obstacles in the use of telemedicine were: lack of infrastructure support and remuneration problems followed by limitations in clinical examination. CONCLUSIONS: Although widely available, telemedicine is under-utilized in epilepsy care. Most of the obstacles can be easily fixed and overcome through education and simple interventions. Partnering of epilepsy centers across Canada in the development of a comprehensive national telemedicine network would create an excellent opportunity to expand epilepsy care.
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 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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».