MétaCan
Menu
Retour à la cohorte
Enregistrement W3111109934 · doi:10.2196/20621

Patient Care During the COVID-19 Pandemic: Use of Virtual Care

2020· article· en· W3111109934 sur OpenAlexaffabout
Andy Wong, Rashaad Bhyat, Lysa Boissé Lomax, Ramana Appireddy

Notice bibliographique

RevueJournal of Medical Internet Research · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensCanada Health InfowayQueen's University
Organismes subventionnairesnon disponible
Mots-clésHealth careNursingTelemedicineGeneral partnershipPandemicMedicineeHealthCoronavirus disease 2019 (COVID-19)BusinessPolitical science

Résumé

récupéré en direct d'OpenAlex

Virtual care, the use of videoconferencing technology to connect with patients, has become critical in providing continuing care for patients during the current COVID-19 pandemic. Virtual care has now been adopted by health care providers across the spectrum, including physicians, residents, nurse practitioners, nurses, and allied health care professionals. Virtual care is novel and nuanced compared to in-person care. Most of the health care providers who are delivering or expected to deliver virtual care have little to no prior experience with it. The nuances of virtual care involve regulatory standards, platforms, technology and troubleshooting, patient selection, etiquette, and workflow, all of which comprise critical points in the provision of health care. It is important to consistently deliver high-quality, equitable, and professional virtual care to inspire patients with the trust they need to continue follow-up of their care in these difficult times. We have been adopting virtual care in our clinical practice for over two years. In partnership with Canada Health Infoway, we have assembled a primer for virtual care that can serve as a guide for any health care provider in Canada and globally, with the goal of providing seamless transitions between in-person and virtual care.

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)0,014
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,105

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,026
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0080,012
Communication savante0,0120,008
Science ouverte0,0020,014
Intégrité de la recherche0,0030,007
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,240
Tête enseignante GPT0,502
Écart entre enseignants0,262 · 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'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

Citations119
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Medical Internet ResearchMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207