MétaCan
Menu
Retour à la cohorte
Enregistrement W3098365805 · doi:10.2196/24544

Growth of Ambulatory Virtual Visits and Differential Use by Patient Sociodemographics at One Urban Academic Medical Center During the COVID-19 Pandemic: Retrospective Analysis

2020· article· en· W3098365805 sur OpenAlexvenueno aff
Sarah Gilson, Craig A. Umscheid, Neda Laiteerapong, Graeme Ossey, Kenneth Nunes, Sachin Shah

Notice bibliographique

RevueJMIR Medical Informatics · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Diabetes and Digestive and Kidney Diseases
Mots-clésMedicinePandemicAmbulatoryEmergency departmentLogistic regressionAmbulatory careTelemedicineCoronavirus disease 2019 (COVID-19)Health careFamily medicineEmergency medicineMedical emergencyDiseaseInternal medicineNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Despite widespread interest in the use of virtual (ie, telephone and video) visits for ambulatory patient care during the COVID-19 pandemic, studies examining their adoption during the pandemic by race, sex, age, or insurance are lacking. Moreover, there have been limited evaluations to date of the impact of these sociodemographic factors on the use of telephone versus video visits. Such assessments are crucial to identify, understand, and address differences in care delivery across patient populations, particularly those that could affect access to or quality of care. OBJECTIVE: The aim of this study was to examine changes in ambulatory visit volume and type (ie, in-person vs virtual and telephone vs video visits) by patient sociodemographics during the COVID-19 pandemic at one urban academic medical center. METHODS: We compared volumes and patient sociodemographics (age, sex, race, insurance) for visits during the first 11 weeks following the COVID-19 national emergency declaration (March 15 to May 31, 2020) to visits in the corresponding weeks in 2019. Additionally, for visits during the COVID-19 study period, we examined differences in visit type (ie, in-person versus virtual, and telephone versus video visits) by sociodemographics using multivariate logistic regression. RESULTS: Total visit volumes in the COVID-19 study period comprised 51.4% of the corresponding weeks in 2019 (n=80,081 vs n=155,884 visits). Although patient sociodemographics between the COVID-19 study period in 2020 and the corresponding weeks in 2019 were similar, 60.5% (n=48,475) of the visits were virtual, compared to 0% in 2019. Of the virtual visits, 61.2% (n=29,661) were video based, and 38.8% (n=18,814) were telephone based. In the COVID-19 study period, virtual (vs in-person) visits were more likely among patients with race categorized as other (vs White) and patients with Medicare (vs commercial) insurance and less likely for men, patients aged 0-17 years, 65-74 years, or ≥75 years (compared to patients aged 18-45 years), and patients with Medicaid insurance or insurance categorized as other. Among virtual visits, compared to telephone visits, video visits were more likely to be adopted by patients aged 0-17 years (vs 18-45 years), but less likely for all other age groups, men, Black (vs White) patients, and patients with Medicare or Medicaid (vs commercial) insurance. CONCLUSIONS: Virtual visits comprised the majority of ambulatory visits during the COVID-19 study period, of which a majority were by video. Sociodemographic differences existed in the use of virtual versus in-person and video versus telephone visits. To ensure equitable care delivery, we present five policy recommendations to inform the further development of virtual visit programs and their reimbursement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,017
Score d'incertitude au seuil0,834

Scores Codex et Gemma par catégorie

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

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 Opus0,035
Tête enseignante GPT0,333
Écart entre enseignants0,298 · 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 tête enseignante, 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

Citations74
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Medical InformaticsMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207