Interpreting COVID-19 and Virtual Care Trends: Cohort Study
Notice bibliographique
Résumé
BACKGROUND: The coronavirus disease (COVID-19) pandemic is rapidly spreading across the world. As of March 26, 2020, there are more than 500,000 cases and more than 25,000 deaths related to COVID-19, and the numbers are increasing by the hour. OBJECTIVE: The aim of this study was to explore the trends in confirmed COVID-19 cases in North Carolina, and to understand patterns in virtual visits related to symptoms of COVID-19. METHODS: We conducted a cohort study of confirmed COVID-19 cases and patients using an on-demand, statewide virtual urgent care center. We collected data from February 1, 2020, to March 15, 2020. Institutional Review Board exemption was obtained prior to the study. RESULTS: As of March, 18 2020, there were 92 confirmed COVID-19 cases and 733 total virtual visits. Of the total visits, 257 (35.1%) were related to COVID-19-like symptoms. Of the COVID-19-like visits, the number of females was 178 (69.2%). People in the age groups of 30-39 years (n=67, 26.1%) and 40-49 years (n=64, 24.9%) were half of the total patients. Additionally, approximately 96.9% (n=249) of the COVID-like encounters came from within the state of North Carolina. Our study shows that virtual care can provide efficient triaging in the counties with the highest number of COVID-19 cases. We also confirmed that the largest spread of the disease occurs in areas with a high population density as well as in areas with major airports. CONCLUSIONS: The use of virtual care presents promising potential in the fight against COVID-19. Virtual care is capable of reducing emergency room visits, conserving health care resources, and avoiding the spread of COVID-19 by treating patients remotely. We call for further adoption of virtual care by health systems across the United States and the world during the COVID-19 pandemic.
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 | 0,001 | 0,001 |
| 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 ».