Disruptions in Rheumatology Care and the Rise of Telehealth in Response to the COVID‐19 Pandemic in a Community Practice–Based Network
Notice bibliographique
Résumé
OBJECTIVE: The effect of the COVID-19 pandemic on community-based rheumatology care and the use of telehealth is unclear. We undertook this study to investigate the impact of the pandemic on rheumatology care delivery in a large community practice-based network. METHODS: Using a community practice-based rheumatologist network, we examined trends in in-person versus telehealth visits versus canceled visits in 3 time periods: pre-COVID-19, COVID-19 transition (6 weeks beginning March 23, 2020), and post-COVID-19 transition (May-August). In the transition period, we compared patients who received in-person care versus telehealth visits versus those who cancelled all visits. We used multivariable logistic regression to identify factors associated with canceled or telehealth visits. RESULTS: Pre-COVID-19, there were 7,075 visits/week among 60,002 unique rheumatology patients cared for by ~300 providers practicing in 92 offices. This number decreased substantially (24.6% reduction) during the COVID-19 transition period for in-person visits but rebounded to pre-COVID-19 levels during the post-COVID-19 transition. There were almost no telehealth visits pre-COVID-19, but telehealth increased substantially during the COVID-19 transition (41.4% of all follow-up visits) and slightly decreased during the post-COVID-19 transition (27.7% of visits). Older age, female sex, Black or Hispanic race/ethnicity, lower socioeconomic status, and rural residence were associated with a greater likelihood of canceling visits. Most factors were also associated with a lower likelihood of having telehealth versus in-office visits. Patients living further from the rheumatologists' office were more likely to use telehealth. CONCLUSION: COVID-19 led to large disruptions in rheumatology care; these disruptions were only partially offset by increases in telehealth use and disproportionately affected racial/ethnic minorities and patients with lower socioeconomic status. During the COVID-19 era, telehealth continues to be an important part of rheumatology practice, but disparities in access to care exist for some vulnerable groups.
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 | 0,010 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».