Patient-Reported Experiences in Outpatient Telehealth Heart Failure Management
Notice bibliographique
Résumé
BACKGROUND: With the onset of coronavirus disease 2019 (COVID-19), the delivery of routine outpatient heart failure (HF) care abruptly shifted to telehealth. Appropriate HF management extensively relies upon patient-reported symptoms. With the growing attention towards patient-centered care, our team recognized an invaluable opportunity to solicit patient-reported subjective experiences regarding telehealth. METHODS: In total, 127 patients with a known diagnosis of HF were contacted by phone for participation in an online questionnaire. The tool consisted of questions generated by the investigators and from prior validated patient-reported experience measures. The intention was to assess the quality of care in our HF clinic and to solicit feedback regarding telehealth. RESULTS: Thirty-five patients provided a response. Questions with the most favorable outcomes were in line with our predetermined themes of interpersonal matter, communication, and perceived quality of care. The worst performing questions exhibited a lack of satisfaction with and perceived quality of telehealth. Only 9% (n = 3) preferred follow-up via telehealth, 69% (n = 22) preferred in-person, and 22% (n = 7) were indifferent. CONCLUSIONS: Given the multitude of benefits of telehealth, especially appropriate social distancing, telehealth is quite likely here to stay. In sum, with the rapid change in care delivery, patients currently perceive the care delivered via telehealth to be of inferior quality. This lack of quality can be largely attributed to the lack of physical examination, depersonalization of healthcare, and likely, a lack of familiarity with the platform. We urge our colleagues to solicit similar feedback from their patients to improve their own telehealth efforts.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».