COVIDCare@Home: Lessons from a Family Medicine Led Remote Monitoring Program
Notice bibliographique
Résumé
Abstract Background Virtual care for patients with COVID-19 allows providers to monitor COVID-19 positive patients with variable trajectories while reducing the risk of transmission to others and managing healthcare capacity in acute care facilities. Objective To develop and test the feasibility of a family medicine-led remote monitoring model of care (COVIDCare@Home program) to manage patients with COVID-19 in the community. Methods This multi-faceted, family medicine-led, interprofessional team-based remote monitoring program was developed at Women’s College Hospital in Toronto, Ontario. A cross-sectional chart review of the first cohort of patients was conducted and learnings from the implementation of CovidCare@Home are described. Results During the study period, April 8 to May 11, 2020, there were 97 patients (average age 48.6, 62% female) with 424 recorded virtual visits with a median virtual length of stay of 8 days (IQR 5). 5.2% required escalation to an in-person visit with no patients requiring hospitalization. 16% of patients required support with mental and social health needs. Interpretations A family medicine-led, team-based remote monitoring program can safely be used to manage outpatients diagnosed with COVID-19. Attention to mental and social health needs is critical for this population. Future efforts should consider how to design programs to best support populations disproportionately impacted by COVID-19, something which primary care is well-positioned to do. Further analysis will describe the effectiveness, impact, and satisfaction with the program among patients and providers.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».