Coronavirus Disease 2019 Pandemic as Catalyst for Telemedicine Adoption: A Single-Center Experience
Notice bibliographique
Résumé
Background: Telemedicine use has increased due to stay-at-home orders during the novel coronavirus 2019 pandemic. We explored ambulatory provider's perception on telemedicine. Methods: An anonymized survey was e-mailed to physicians and midlevel providers of our university hospital ambulatory clinics to assess current use, preferences for future use, and satisfaction with televisits. Results: Of all providers, 249 responded (response rate 24%, 121 [48.6%] men, 177 [71.1%] attending physicians, 43 [17.2%] trainees, and 29 [11.6%] midlevel providers). Most respondents (120, 48.2%) belonged to subspecialties in medicine. At the time of the survey, 168 (67.5%) were using telemedicine for less than half of all visits and had video capabilities, of whom 224 (90%) considered it to be effective for return visits and 37 (15%) perceived it to be effective for new patients, 217 (87.1%) wanted to continue with telemedicine practice, and 113 (45.4%) preferred to use telemedicine for more than a quarter of their future patients even after the pandemic. Most (194 [77.9%]) were satisfied with telemedicine and we found no differences among specialties. Those with audio-only visits reported least effectiveness for new patient evaluation (p < 0.001) and overall provider satisfaction (p = 0.02) when compared with others. Those who saw more than a quarter of their patients through televisits desired to increase their future televisits to >50% including new patients (p < 0.001). Conclusions: There is widespread interest in telemedicine in all specialties. Acceptance is high for return visits, but low for new patient visits. Improvement in technology to have both audio and video capability consistently may foster further interest toward increasing telemedicine in the future.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».