MétaCan
Menu
Retour à la cohorte
Enregistrement W3131034160 · doi:10.3122/jabfm.2021.s1.200237

On the Front (Phone) Lines: Results of a COVID-19 Hotline

2021· article· en· W3131034160 sur OpenAlexaff
David Margolius, Mary E. Hennekes, Jimmy Yao, Douglas Einstadter, Douglas Gunzler, Nabil El Hage Chehade, Ashwini R. Sehgal, Yasir Tarabichi, Adam T. Perzynski

Notice bibliographique

RevueThe Journal of the American Board of Family Medicine · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensPopulation Health Research Institute
Organismes subventionnairesnon disponible
Mots-clésHotlineMedicineTelehealthEmergency departmentMedicaidMedical emergencyHealth careLogistic regressionEmergency medicineTelemedicineCohortPandemicFamily medicineCoronavirus disease 2019 (COVID-19)DiseaseInternal medicineInfectious disease (medical specialty)Nursing

Résumé

récupéré en direct d'OpenAlex

Background: Severe acute respiratory syndrome coronavirus (SARS-CoV-2) and the associated coronavirus disease of 2019 (COVID-19) have presented immense challenges for health care systems. Many regions have struggled to adapt to disruptions to health care practice and use systems that effectively manage the demand for services. Methods: This was a cohort study using electronic health records at a health care system in northeast Ohio that examined the effectiveness of the first 5 weeks of a 24/7 physician-staffed COVID-19 hotline including social care referrals for patients required to self-isolate. We describe clinical diagnosis, patient characteristics (age, sex race/ethnicity, smoking status, insurance status), and visit disposition. We use logistic regression to evaluate associations between patient characteristics, visit disposition and subsequent emergency department use, hospitalization, and SARS-Cov-2 PCR testing. Participants: In 5 weeks, 10,112 patients called the hotline (callers). Of these, 4213 (42%) were referred for a physician telehealth visit (telehealth patients). Mean age of callers was 42 years; 67% were female, 51% white, and 46% were on Medicaid/uninsured. Results: Common caller concerns included cough, fever, and shortness of breath. Most telehealth patients (79%) were advised to self-isolate at home, 14% were determined to be unlikely to have COVID-19, 3% were advised to seek emergency care, and 4% had miscellaneous other dispositions. A total of 287 patients (7%) had a subsequent emergency department visit, and 44 (1%) were hospitalized with a COVID-19 diagnosis. Of the callers, 482 (5%) had a COVID-19 test reported, with 69 (14%) testing positive. Among patients advised to stay at home, 83% had no further face-to-face visits. In multivariable results, only a physician recommendation to seek emergency care was associated with emergency department use (odds ratio = 4.73, 95% confidence interval = 1.37-16.39, P = .014). Only older age was associated with having a positive test result. Patients with social needs and interest in receiving help were offered services to meet their needs including food deliveries (n = 92), behavioral health telephone visits (n = 49), and faith-based comfort calls from pastoral care personnel (n = 37). Conclusions and Relevance: Robust, physician-directed telehealth services can meet a wide range of clinical and social needs during the acute phase of a pandemic, conserving scarce resources such as personal protective equipment and testing supplies and preventing the spread of infections to patients and health care workers.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
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 Opus0,115
Tête enseignante GPT0,405
Écart entre enseignants0,290 · 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

Citations34
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of the American Board of Family MedicineMême sujetCOVID-19 and healthcare impactsTravaux en français237 207