MétaCan
Menu
Retour à la cohorte
Enregistrement W3148228083 · doi:10.2196/28589

Patient Satisfaction and Trust in Telemedicine During the COVID-19 Pandemic: Retrospective Observational Study

2021· article· en· W3148228083 sur OpenAlexvenueno aff
Sharon Orrange, Arpna Patel, Wendy J. Mack, Julia Cassetta

Notice bibliographique

RevueJMIR Human Factors · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensnon disponible
Organismes subventionnairesNational Center for Advancing Translational SciencesNational Institutes of Health
Mots-clésTelemedicineMedicinePatient satisfactionObservational studyFamily medicineDescriptive statisticsRetrospective cohort studyLogistic regressionOrdered logitTelehealthHealth carePandemicCoronavirus disease 2019 (COVID-19)NursingInternal medicineDisease

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Los Angeles County is a hub for COVID-19 cases in the United States. Academic health centers rapidly deployed and leveraged telemedicine to permit uninterrupted care of patients. Telemedicine enjoys high patient satisfaction, yet little is known about the level of satisfaction during a crisis and to what extent patient- or visit-related factors and trust play when in-person visits are eliminated. OBJECTIVE: The aim of this study is to examine correlates of patients' satisfaction with a telemedicine visit. METHODS: In this retrospective observational study conducted in our single-institution, urban, academic medical center in Los Angeles, internal medicine patients aged ≥18 years who completed a telemedicine visit between March 10th and April 17th, 2020, were invited for a survey (n=1624). Measures included patient demographics, degree of interpersonal trust in patient-physician relationships (using the Trust in Physician Scale), and visit-related concerns. Statistical analysis used descriptive statistics, Spearman rank-order correlation, and linear and ordinal logistic regression. RESULTS: Of 1624 telemedicine visits conducted during this period, 368 (22.7%) patients participated in the survey. Across the study, respondents were very satisfied (173/365, 47.4%) or satisfied (n=129, 35.3%) with their telemedicine visit. Higher physician trust was associated with higher patient satisfaction (Spearman correlation r=0.51, P<.001). Visit-related factors with statistically significant correlation with Trust in Physician score were technical issues with the telemedicine visit (r=-0.16), concerns about privacy (r=-0.19), concerns about cost (r=-0.23), satisfaction with telemedicine convenience (r=0.41), and amount of time spent (r=0.47; all P<.01). Visit-related factors associated with patients' satisfaction included fewer technical issues (P<.001), less concern about privacy (P<.001) or cost (P=.02), and successful face-to-face video (P<.001). The only patient variable with a significant positive association was income and level of trust in physician (r=0.18, P<.001). Younger age was associated with higher satisfaction with the telemedicine visit (P=.005). CONCLUSIONS: There have been calls for redesigning primary care after the COVID-19 pandemic and for the widespread adoption of telemedicine. Patients' satisfaction with telemedicine during the COVID-19 pandemic is high. Their satisfaction is shaped by the degree of trust in physician and visit-related factors more so than patient factors. This has widespread implications for outpatient practices and further research into visit-related factors and the patient-provider connection over telemedicine is needed.

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)0,005
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 enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,129
Tête enseignante GPT0,412
Écart entre enseignants0,283 · 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

Citations216
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Human FactorsMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207