Telemedicine Use for Movement Disorders: A Global Survey
Notice bibliographique
Résumé
BACKGROUND: Telemedicine is increasingly used to care for patients with movement disorders, but data regarding its global use are limited. INTRODUCTION: To obtain baseline international data about telemedicine use among movement disorder clinicians. METHODS: An online survey was sent to all 6,056 Movement Disorder Society members in 2015. Scope, reimbursement, and perceived quality of telemedicine were assessed. RESULTS: There were 549 respondents (9.1% overall response rate) from 83 countries. Most (85.8%) were physicians, and most (70.9%) worked in an academic or university practice. Half of respondents (n = 287, from 57 countries) used telemedicine for clinical care; activities included e-mail (63.2%), video visits (follow-up [39.7%] and new [35.2%]), and video-based education (35.2%). One hundred five respondents personally conducted video visits, most frequently to outpatient clinics (53.5%), patient homes (30.8%), and hospital inpatients (30.3%). The most common challenges were a limited neurological examination (58.9%) and technological difficulties (53.3%), and the most common benefits were reduced travel time (92.9%) and patient costs (60.1%). The most frequent reimbursements were none (39.0%), public insurance (24.5%), and patient payment (9.3%). Half of respondents planned to use telemedicine in the future, and three-quarters were interested in telemedicine education. CONCLUSIONS: More than 250 respondents around the world engage in telemedicine for movement disorders; most perceived benefit for patients, despite challenges and reimbursement for clinicians. Formal instruction on telemedicine is highly desired. Although the survey response was low and possibly biased to over represent those with telemedicine experience, the study provides baseline data for future comparison and to improve telemedicine delivery.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».