Factors associated with virtual care access in older adults: a cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: virtual care has been critical during the COVID-19 pandemic, but there may be inequities in accessing different virtual modalities (i.e. telephone or videoconference). OBJECTIVE: to describe patient-specific factors associated with receiving different virtual care modalities. DESIGN: cross-sectional study. SETTING AND SUBJECTS: we reviewed medical records of all patients assessed virtually in the geriatric medicine clinic at St. Michael's Hospital, Toronto, Canada, between 17 March and 13 July 2020. METHODS: we derived adjusted odds ratios (OR), risk differences (RDs) and marginal and predicted probabilities, with 95% confidence intervals, from a multivariable logistic regression model, which tested the association between having a videoconference assessment (vs. telephone) and patient age, sex, computer ability, education, frailty (Clinical Frailty Scale score), history of cognitive impairment and immigration history; language of assessment and caregiver involvement in assessment. RESULTS: our study included 330 patients (227 telephone and 103 videoconference assessments). The median population age was 83 (Q1-Q3, 76-88) and 45.2% were male. Frailty (adjusted OR 0.62, 0.45-0.85; adjusted RD -0.08, -0.09 to -0.06) and absence of a caregiver (adjusted OR 0.12, 0.06-0.24; adjusted RD -0.35, -0.43 to -0.26) were associated with lower odds of videoconference assessment. Only 32 of 98 (32.7%) patients who independently use a computer participated in videoconference assessments. CONCLUSIONS: older adults who are frail or lack a caregiver to attend assessments with them may not have equitable access to videoconference-based virtual care. Future research should evaluate interventions that support older adults in accessing videoconference assessments.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».