MétaCan
Menu
← Retour à la cohorte
Enregistrement W3171053777 · doi:10.1200/jco.2021.39.15_suppl.e18768

Your voice matters during COVID-19: Evaluation of digital divides across a tertiary cancer center.

2021· article· en· W3171053777 sur OpenAlexafffundabout
Amir H. Safavi, Mike Lovas, Zhihui Liu, Sheena Melwani, Tran Truong, Shayla Devonish, Nazek Abdelmutti, Danielle Rodin, Alejandro Berlín

Notice bibliographique

RevueJournal of Clinical Oncology · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensUniversity Health NetworkPrincess Margaret Cancer CentreUniversity of Toronto
Organismes subventionnairesPrincess Margaret Cancer Foundation
Mots-clésMedicineDemographySocioeconomic statusLogistic regressionDemographicsFamily medicineCoronavirus disease 2019 (COVID-19)Environmental healthPopulationInternal medicine

Résumé

récupéré en direct d'OpenAlex

e18768 Background: Virtual care (VC) and electronic patient-reported experience measures (ePREM) have been systemically adopted during the COVID-19 pandemic to facilitate continuity of cancer care and quality improvement. Digital divides, defined as differential access and benefit from these tools, may exacerbate existing health inequities among patients. We aimed to evaluate digital divides through ePREM access, use, and responses during the pandemic. Methods: Your Voice Matters (YVM), a provincially-mandated ePREM survey, was adapted to an online platform in September 2020 and emailed to patients after outpatient VC and in-person clinic visits at a tertiary cancer centre in Ontario. Age, gender, postal codes, and completed surveys from September-December 2020 were collated. Income was estimated using area-level averages from Statistics Canada 2016 census data. Socioeconomic status was mapped to area-level dimensions of the Canadian Index of Multiple Deprivation: residential instability (RI), economic dependency, ethnocultural composition (EC), situational vulnerability (SV). Higher factor scores per dimension correspond to greater marginalization. Two-sided Chi-squared and t-tests were used to compare demographics between VC and in-person patients with a significance threshold of p < 0.001. Generalized estimating equations logistic regression models were used to assess associations between patient satisfaction and visit type, as well as demographics. Results: YVM was emailed to 28% (10625/37835) of patients with a response rate of 21.8% (2321/10625). Mean and minimum income (x $10,000) were highest among responders (6.6, 1.5) compared to non-responders (6.3, 1.3) and those without email (6.2, 1.1). Comparing responders with VC (n = 549) and in-person (n = 1719) visits, the former had higher mean income (6.9 vs 6.5, p < 0.001) and lower mean EC factor score (0.2 vs 0.4, p < 0.001). Satisfaction with care received was not associated with visit type and satisfaction with VC logistics was not associated with demographics. Patients with higher EC scores were more likely to rate low satisfaction in “culturally appropriate” (OR 0.69, 95% CI: 0.57-0.85) and “respect” (OR 0.69, 95% CI: 0.57-0.85) domains. Patients with higher SV scores were more likely to rate low satisfaction in the “physical symptoms” (OR 0.69, 95% CI: 0.51-0.94) domain, while patients with higher RI scores were more likely to rate low satisfaction in the “physical” (OR 0.82, 95% CI: 0.69-0.98) and “emotional symptoms” (OR 0.88, 95% CI: 0.79-0.98) domains. Conclusions: VC patients had positive experiences with visit logistics across demographics and their satisfaction with care was comparable to that of in-person patients. However, VC use and YVM access, use, and responses were associated with income and socioeconomic status. Identifying populations vulnerable to digital health inequities will guide strategies to bridge the divides.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Observationnelhigh
gptaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Observationnelhigh
modèles en accordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

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)0,025
score de la tête « metaresearch » (Gemma)0,052
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 enseignants0,107
Score d'incertitude au seuil0,213

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0250,052
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,001
Communication savante0,0030,002
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
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 Opus0,299
Tête enseignante GPT0,601
Écart entre enseignants0,302 · 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

Étiqueté directement par 2 modèles lisant le dossier complet.

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

Citations1
Publié2021
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetTelemedicine and Telehealth Implementation→Travaux en français237 207→