MétaCan
Menu
Retour à la cohorte
Enregistrement W3126085822 · doi:10.2196/25835

Use of Telehealth in Substance Use Disorder Services During and After COVID-19: Online Survey Study

2021· article· en· W3126085822 sur OpenAlexvenueno aff
Todd Molfenter, Nancy A.Roget, Michael Chaple, Stephanie Behlman, Olivia Cody, Bryan Hartzler, Edward Johnson, Maureen Nichols, Patricia Stilen, Sara J. Becker

Notice bibliographique

RevueJMIR Mental Health · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensnon disponible
Organismes subventionnairesSubstance Abuse and Mental Health Services Administration
Mots-clésTelehealthTelemedicineVideoconferencingBusinessService providerService (business)PandemicOddsHealth careMedicineNursingCoronavirus disease 2019 (COVID-19)MarketingTelecommunicationsEngineering

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Social distancing guidelines for COVID-19 have caused a rapid transition to telephone and video technologies for delivering treatment for substance use disorders (SUDs). OBJECTIVE: This study examined the adoption of these technologies across the SUD service continuum, acceptance of these technologies among service providers, and intent of providers to use these technologies after the pandemic. Additional analysis using the validated technology acceptance model (TAM) was performed to test the potential applications of these technologies after the pandemic. The study objectives were as follows: (1) to assess the use of telehealth (telephone and video technologies) for different SUD services during COVID-19 in May-June 2020, (2) to assess the intended applications of telehealth for SUD services beyond COVID-19, (3) to evaluate the perceived ease of use and value of telehealth for delivering SUD services, and (4) to assess organizational readiness for the sustained use of telehealth services. METHODS: An online survey on the use of telephonic and video services was distributed between May and August 2020 to measure the current use of these services, perceived organizational readiness to use these services, and the intent to use these services after COVID-19. In total, 8 of 10 regional Addiction Technology Transfer Centers representing 43 states distributed the survey. Individual organizations were the unit of analysis. RESULTS: In total, 457 organizations responded to the survey. Overall, the technology was widely used; >70% (n>335) of organizations reported using telephone or video platforms for most services. The odds of the intent of organizations to use these technologies to deliver services post COVID-19 were significantly greater for all but two services (ie, telephonic residential counseling and buprenorphine therapy; mean odds ratio 3.79, range 1.87-6.98). Clinical users preferred video technologies to telephone technologies for virtually all services. Readiness to use telephone and video technologies was high across numerous factors, though telephonic services were considered more accessible. Consistent with the TAM, perceived usefulness and ease of use influenced the intent to use both telephone and video technologies. CONCLUSIONS: The overall perceived ease of use and usefulness of telephonic and video services suggest promising post-COVID-19 applications of these services. Survey participants consistently preferred video services to telephonic services; however, the availability of telephonic services to those lacking easy access to video technology is an important characteristic of these services. Future studies should review the acceptance of telehealth services and their comparative impact on SUD care outcomes.

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)0,000
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 enseignants0,356
Score d'incertitude au seuil0,969

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,074
Tête enseignante GPT0,421
Écart entre enseignants0,347 · 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

Citations91
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Mental HealthMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207