MétaCan
Menu
Retour à la cohorte
Enregistrement W3014173184 · doi:10.2196/18811

Interpreting COVID-19 and Virtual Care Trends: Cohort Study

2020· article· en· W3014173184 sur OpenAlexvenueno aff
Saif Khairat, Chenlu Meng, Yuxuan Xu, Barbara Edson, Robert Gianforcaro

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCoronavirus disease 2019 (COVID-19)PandemicMedicineCohortSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Cohort studyPopulationDemography2019-20 coronavirus outbreakDiseaseEnvironmental healthOutbreakVirologyInternal medicineInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,094

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,391
Écart entre enseignants0,340 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations125
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207