Combining store-and-forward pictures and videoconferencing for outpatient burn follow-up care
Notice bibliographique
Résumé
• BurnPics is a patient-centered program for follow-up burn care in a large regional catchment area. • Follow-up care by videoconferencing saves significant times for patients and clinic staff. • Direct telehealth care to the patient’s home replaces the traditional hub-and-spoke care model. Regional burn centers face challenges in follow-up care for large catchment areas. In 2006, we implemented a store-and-forward outpatient protocol (“BurnPics”) for established burn patients in our region to assess healing and range of motion. Starting August 2014, we added videoconferencing visits for select patients. The purpose of this quality improvement project was to evaluate BurnPics and videoconferencing utilization. We reviewed records of patients enrolled in the BurnPics program from August 2014 through July 2015. We evaluated videoconferencing enrollment, provider time, and revenue generation. Data was analyzed using descriptive statistics. There were 398 BurnPics patients. Most patients resided in-state (82%). Median distance from residence to burn center was 67 miles (IQR 29–228). Fifty-three patients underwent 85 videoconferencing visits; 30 visits (35%) were billable, 27 visits (32%) were post-operative follow-ups, and 28 visits (33%) were not billable due to out-of-state residence. Median time per video-visit was 46 min (IQR 35–60); median burn care provider time was 11 min (IQR 7–14). The BurnPics program has potential to mitigate challenges of follow-up burn care. Videoconferencing has improved our follow-up care and created minimal time burden on providers. Future legislative efforts will help minimize financial and legal barriers to successful regional telehealth programs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».