Impact of telemedicine on diagnosis, clinical management and outcomes in rural trauma patients: A rapid review
Notice bibliographique
Résumé
INTRODUCTION: Rural trauma patients are at increased risk of morbidity and mortality compared to trauma patients treated in urban facilities. Factors contributing to this disparity include differences in resource availability and increased time to definitive treatment for rural patients. Telemedicine can improve the early management of these patients by enabling rural providers to consult with trauma specialists at urban centres. The purpose of this study was to assess the impact of telemedicine utilisation on the diagnosis, clinical management and outcomes of rural trauma patients. MATERIALS AND METHODS: June 2018. Manual searches were also conducted in relevant systematic reviews, key journals and bibliographies of included studies. RESULTS: The literature search identified 187 articles, of which 8 articles were included in the review. All 8 studies reported on clinical management, while the impact of telemedicine use on diagnosis and outcomes was reported in 4 and 5 studies, respectively. Study findings suggest that the use of telemedicine may improve patient diagnosis, streamline the process of transferring patients and reduce length of stay. Use of telemedicine had minimal impact on mortality and complications in rural trauma patients. CONCLUSIONS: The evidence identified by this rapid review suggests that telemedicine may improve the diagnosis, management and outcomes of rural trauma patients. Further research is required to validate these findings by performing large and well-designed studies in rural areas, ideally as randomised clinical trials.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 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 ».