Patient Experiences With a Remote Monitoring Pathway for COVID-19
Notice bibliographique
Résumé
INTRODUCTION: Due to the coronavirus disease 2019 (COVID-19) pandemic, a remote monitoring pathway was developed at Michael Garron Hospital to allow individuals with confirmed or presumed COVID-19 infection to successfully manage their illness at home. This study aims to understand patients' experiences on this remote monitoring pathway and to investigate the effectiveness of the pathway in preventing unnecessary emergency department (ED) visits and detecting severe infection. METHODS: A total of 35 semi-structured interviews were conducted over the phone. Researchers reviewed transcripts to come up with an index of nodes. Two researchers initially coded the same four transcripts to ensure high inter-rater reliability. The remaining 31 transcripts were coded by one researcher. RESULTS: Of patients, 80% (n = 28) had a positive experience on the pathway. Remote monitoring was effective in reassuring 22.9% of patients (n = 8) with mild-moderate symptoms that their symptoms were not significant enough to go to the ED and they were monitored at home. A total of 8.6% of patients (n = 3) were correctly identified as having severe symptoms while on the pathway and were asked to present to the hospital. For 8.6% of patients (n = 3), remote monitoring did not identify their severe COVID-19 illness. Of patients, 2.9% (n = 1) were incorrectly identified as having severe COVID-19 symptoms when they were clinically well. DISCUSSION: Remote monitoring is an effective tool to optimize healthcare resources during a pandemic. It reduces ER visits and provides a means for routine follow-up while minimizing virus exposure. Patients generally had a positive experience; however, more research needs to be done on optimizing the detection of severe infection.
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 ».