MétaCan
Menu
Retour à la cohorte
Enregistrement W3158271685 · doi:10.1093/sleep/zsab072.720

723 Sleep Apnea Care During the COVID-19 Pandemic: Perspectives on the Transition to Telemedicine from Clinicians and Patients

2021· article· en· W3158271685 sur OpenAlexaff
Suzanne M. Bertisch, Jessie P. Bakker, Sherry Hanes, Carolina Dos Santos, Sloan Bergrestresser, Catherine Siengsukon, Melanie Barwick, Susan Redline, Anna Revette

Notice bibliographique

RevueSLEEP · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensHospital for Sick Children
Organismes subventionnairesnon disponible
Mots-clésTelemedicineSnowball samplingObstructive sleep apneaMedicinePandemicHealth careReceiptFocus groupMedical emergencyNursingFamily medicinePsychologyCoronavirus disease 2019 (COVID-19)DiseaseBusiness

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction Covid-19-related public health control measures have necessitated a rapid transition in healthcare delivery. We qualitatively explored clinicians’ and patients’ experiences of the pandemic’s impact on the delivery and receipt of obstructive sleep apnea (OSA) care. Methods Between September and December 2020, we conducted ten 90-minute virtual focus groups with sleep clinicians (n=19) and English and Spanish-speaking patients with OSA (n= 30) recruited through an urban academic sleep clinic, national organizations, social media, and snowball sampling. An interdisciplinary team conducted a rapid qualitative analysis that included prefigured and emergent domains. The team developed a comprehensive analytic matrix, identifying key themes within and between groups and triangulating them across participant types. Results Clinicians and patients across all groups confirmed a rapid shift to the adoption of telemedicine. Clinicians reported telemedicine enhanced evaluations by enabling direct observation of the home environment, providing opportunities to guide patients on medical equipment used in the home, and cultivating meaningful social connections for patients. Perceived benefits varied across patient subgroups (age, language, technological self-efficacy). The majority of clinicians reported that telemedicine’s initial uptake resulted in delays in care and revenue loss, but sustained use was thought to be feasible over time. Patients reported delays in care related to the pandemic’s disruption on healthcare and their personal safety concerns. Additionally, telemedicine’s adoption directly altered other elements of care, including the delivery of patient education materials and loss of tacit information gained during the in-person visit. All groups reported adequate mask fitting as a central challenge for patients using positive airway pressure therapy. Spanish-speaking patients noted concerns of increased difficulty accessing care and navigating the OSA care system due to limited English proficiency, in addition to the limited availability of OSA resources in Spanish. Conclusion During the Covid-19 pandemic, the rapid adoption of telemedicine largely facilitated OSA care but altered patient-clinician interactions, delivery of patient education materials, and mask fitting success. Given that telemedicine will likely be sustained post-pandemic, there are needs for targeted efforts aimed at addressing disparities in telemedicine, enhancing practitioner telepresence and education, and new approaches for mask fitting to ensure successful OSA care. Support (if any) Patient-Centered Outcomes Research Institute EADI-16493

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)0,014
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,075

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,026
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0120,010
Communication savante0,0110,008
Science ouverte0,0020,010
Intégrité de la recherche0,0050,006
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 Opus0,050
Tête enseignante GPT0,364
Écart entre enseignants0,313 · 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'étudeQualitatif
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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSLEEPMême sujetCOVID-19 and healthcare impactsTravaux en français237 207