MétaCan
Menu
Retour à la cohorte
Enregistrement W3087552240 · doi:10.22605/rrh5754

Patient and provider perspectives on eHealth interventions in Canada and Australia: a scoping review

2020· review· en· W3087552240 sur OpenAlexaffabout
Michele LeBlanc, Samuel Petrie, Saambavi Paskaran, Dean B. Carson, Paul A. Peters

Notice bibliographique

RevueRural and Remote Health · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-cléseHealthPsychological interventionTelehealthMedicineNursingTelemedicineHealth careMedical educationPolitical science

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Despite the promises of universal health care in most developed countries, health inequities remain prevalent within and between rural and remote communities. Remote health technologies are often promoted as solutions to increase health system efficiency, to enhance quality of care, and to decrease gaps in access to care for rural and remote communities. However, there is mixed evidence for these interventions, particularly related to how they are received and perceived by health providers and by patients. Health technologies do not always adequately meet the needs of patients or providers. To examine this, a broad-based scoping review was conducted to provide an overview of patient and provider perspectives of eHealth initiatives in rural communities. The unique objective of this review was to prioritize the voices of patients and providers in discussing the disparities between health interventions and needs of people in rural communities. eHealth initiatives were reviewed for rural communities of Australia and Canada, two countries that have similar geographies and comparable health systems at the local level. METHODS: Searches were performed in PubMed, Scopus, and Web of Science with results limited from 2000 to 2018. Keywords included combinations of 'eHealth', 'telehealth', 'telemedicine', 'electronic health', and 'rural/remote'. Individual patient and provider perspectives on health care were identified, followed by qualitative thematic coding based on the type of intervention, the feedback provided, the affected population, geographic location, and category of individual providing their perspective. Quotes from patients and providers are used to illustrate the identified benefits and disadvantages of eHealth technologies. RESULTS: Based on reviewed literature, 90.1% of articles reported that eHealth interventions were largely positive. Articles noted decreased travel time (18%), time/cost saving (15.1%), and increased access to services (13.9%) as primary benefits to eHealth. The most prevalent disadvantages of eHealth were technological issues (24.5%), lack of face-to-face contact (18.6%), limited training (10.8%), and resource disparities (10.8%). These results show where existing eHealth interventions could improve and can inform policymakers and providers in designing new interventions. Importantly, benefits to eHealth extend beyond geographic access. Patients reported ancillary benefits to eHealth that include reduced anxiety, disruption on family life, and improved recovery time. Providers reported closer connections to colleagues, improved support for complex care, and greater eLearning opportunity. Barriers to eHealth are recognized by patient and providers alike to be largely systemic, where lack of rural high-speed internet and unreliability of installed technologies were significant. CONCLUSION: Regional and national governments are seen as the key players in addressing these technical barriers. This scoping review diverges from many reviews of eHealth with the use of first-person perspectives. It is hoped that this focus will highlight the importance of patient voices in evaluating important healthcare interventions such as eHealth and associated technologies.

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)0,027
score de la tête « metaresearch » (Gemma)0,088
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,704
Score d'incertitude au seuil0,588

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0270,088
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0040,003
Bibliométrie0,0170,026
Études des sciences et des technologies0,0020,002
Communication savante0,0050,003
Science ouverte0,0020,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,110
Tête enseignante GPT0,451
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'étudeRevue systématique
Domainenon disponible
GenreSynthèse

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

En bref

Citations74
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueRural and Remote HealthMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207