MétaCan
Menu
Retour à la cohorte
Enregistrement W3173883328 · doi:10.2196/25469

Factors Influencing Patients’ Initial Decisions Regarding Telepsychiatry Participation During the COVID-19 Pandemic: Telephone-Based Survey

2020· article· en· W3173883328 sur OpenAlexvenueno aff
Jennifer Severe, Ruiqi Tang, Faith Horbatch, Regina Onishchenko, Vidisha Naini, Mary Blazek

Notice bibliographique

RevueJMIR Formative Research · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTelepsychiatryMedicineTelemedicineDescriptive statisticsFamily medicinePandemicLogistic regressionCoronavirus disease 2019 (COVID-19)Health careMedical emergency

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Telepsychiatry enables patients to establish or maintain psychiatric care during the COVID-19 pandemic. Little is known about the factors influencing patients' initial decisions to participate in telepsychiatry in the midst of a public health crisis. OBJECTIVE: This paper seeks to examine factors influencing patients' initial decisions to accept or decline telepsychiatry immediately after the stay-at-home order in Michigan, their initial choice of virtual care modality (video or telephone), and their anticipated participation in telepsychiatry once clinics reopen for in-person visits. METHODS: Between June and August 2020, we conducted a telephone-based survey using a questionnaire comprising 14 quantitative and two qualitative items as part of a quality improvement initiative. We targeted patients who had an in-person appointment date that fell in the first few weeks following the Michigan governor's stay-at-home order, necessitating conversion to virtual visits or deferment of in-person care. We used descriptive statistics to report individual survey responses and assess the association between chosen visit type and patient characteristics and future participation in telepsychiatry using multivariable logistic regression. RESULTS: A total of 244 patients whose original in-person appointments were scheduled within the first 3 weeks of the stay-at-home order in Michigan completed the telephone survey. The majority of the 244 respondents (n=202, 82.8%) initially chose to receive psychiatric care through video visits, while 13.5% (n=33) chose telephone visits and 1.2% (n=3) decided to postpone care until in-person visit availability. Patient age correlated with chosen visit type (P<.001; 95% CI 0.02-0.06). Patients aged ≥44 years were more likely than patients aged 0-44 years to opt for telephone visits (relative risk reduction [RRR] 1.2; 95% CI 1.06-1.35). Patient sex (P=.99), race (P=.06), type of insurance (P=.08), and number of previous visits to the clinic (P=.63) were not statistically relevant. Half of the respondents (132/244, 54.1%) stated they were likely to continue with telepsychiatry even after in-person visits were made available. Telephone visit users were less likely than video visit users to anticipate future participation in telepsychiatry (RRR 1.08; 95% CI 0.97-1.2). Overall, virtual visits met or exceeded expectations for the majority of users. CONCLUSIONS: In this cohort, patient age correlates with the choice of virtual visit type, with older adults more likely to choose telephone visits over video visits. Understanding challenges to patient-facing technologies can help advance health equity and guide best practices for engaging patients and families through telehealth.

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)0,001
score de la tête « metaresearch » (Gemma)0,006
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 enseignants0,006
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,352
Tête enseignante GPT0,521
Écart entre enseignants0,169 · 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'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

Citations49
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207