Delivering Virtual Cancer Rehabilitation Programming During the First 90 Days of the COVID-19 Pandemic: A Multimethod Study
Notice bibliographique
Résumé
OBJECTIVE: To describe the adaptations made to implement virtual cancer rehabilitation at the onset of the coronavirus disease 2019 pandemic, as well as understand the experiences of patients and providers adapting to virtual care. DESIGN: Multimethod study. SETTING: Cancer center. PARTICIPANTS: A total of 1968 virtual patient visits were completed during the study period. Adult survivors of cancer (n=12) and oncology health care providers (n=12) participated in semi-structured interviews. INTERVENTIONS: Not applicable. MAIN OUTCOME MEASURES: Framework-driven categorization of program modifications, qualitative interviews with patients and providers, and a comparison of process outcomes with the previous 90 days of in-person care via referrals, completed visits and attendance, method of delivery, weekly capacities, and wait times. RESULTS: The majority of program visits could be adapted to virtual delivery, with format, setting, and content modifications. Virtual care demonstrated an increase or maintenance in the number of completed visits by appointment type compared with in-person care, with attendance ranging from 80%-93%. For most appointment types, capacities increased, whereas wait times decreased slightly. Overall, 168 patients (11% of all assessments and follow-ups) assessed virtually were identified by providers as requiring an in-person appointment because of reassessment of musculoskeletal and/or neurologic impairment (n=109, 65%) and lymphedema (n=59, 35%). The interviews (n=24) revealed that virtual care was an acceptable alternative in some circumstances, with the ability to (1) increase access to care; (2) provide a sense of reassurance during a time of isolation; and (3) provide confidence in learning skills to self-manage impairments. CONCLUSIONS: Many appointments can be successfully adapted to virtual formats to deliver cancer rehabilitation programming. Based on our findings, we provide practical recommendations that can be implemented by providers and programs to facilitate the adoption and delivery of 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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».