Telemedicine Use during the COVID-19 Pandemic: Results of an International Survey
Notice bibliographique
Résumé
Abstract Objective The aim of the study is to survey hand surgeons' perspectives on telemedicine during the coronavirus disease 2019 (COVID-19) pandemic and intended applications after the pandemic. Methods Online surveys were sent to 285 Canadian and American surgeons in late April and early May 2020. Results Response rate was 63% (180)—84% (152) American and 16% (28) Canadian. Forty-three percent (76) of respondents were in private practice, 36% (64) academics, 13% (24) privademics, and 6% (12) hospital employed. The most common telemedicine platform was Zoom. During the pandemic, 42% of patient visits were conducted via telemedicine; however, 37% required a subsequent in-person office visit. The most common complaint by surgeons was the inability to provide routine in-office procedures. The most beneficial feature was ease of use, and the most frustrating feature was connectivity difficulty. Time spent was similar to in-person visits, and surgeons were likely to recommend their platforms. Surgeons were neutral about using telehealth in the future and were most likely to use it for follow-up visits. New patient visits for traumatic injuries or fractures were of limited value. Canadians used telemedicine for a greater proportion than Americans (50 vs. 40%, p <0.05) and spent more time than in-person visits (7/10 vs. 5/10, p <0.05). Americans were more likely to use telemedicine for postoperative follow-up visits (6/10 vs. 4/10, p <0.05) and in mornings before clinic opens (4/10 vs. 2/10, p <0.05). Private practices were more likely to use telemedicine for future allied health provider visits than all other practice types (p <0.05). Conclusion Telemedicine comprised nearly half of patient encounters during the COVID-19 pandemic, but limitations remain.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».