Transition to virtual appointments for interventional neuroradiology due to the COVID-19 pandemic: a survey of satisfaction
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has changed the way medicine is practiced, including the implementation of virtual care in many specialties. In the field of interventional neuroradiology (INR), virtual clinics are an uncommon practice with minimal literature to support its use. Our objective was to report prospective, single-centre data regarding patient and physician experience with virtual INR clinics for routine follow-up appointments. METHODS: We surveyed all patients that participated in a virtual INR clinic follow-up appointment at our hospital over a 3 month period. Information gathered included length of appointment delays (ie, wait times), length of appointment times, overall satisfaction, and perceived safety metrics. A survey was also sent out to all physicians who participated in virtual clinics with similar questions. RESULTS: 118/122 patients and 6/6 physicians completed the survey. Wait times before previous in-person appointments were perceived to be much longer than virtual appointments, whereas in-person appointment times were longer. 112/118 (94.9%) patients and 4/6 (67%) physicians reported general satisfaction with their virtual clinic experience. There were 8/118 patients who felt their conditions could not be safely assessed virtually, compared with 1/6 (17%) physicians. Lastly, 72.2% of patients reported that they would prefer virtual or telephone visits in the future for non-urgent follow-up, and 5/6 (83%) of physicians reported the same. CONCLUSION: Virtual INR clinics are more efficient and are preferred among patients and physicians for non-urgent follow-up appointments. Our study demonstrates the feasibility of a virtual platform for INR care, which could be sustainable for future practice.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».