Quantifying the Impact of COVID-19 on Telemedicine Utilization: Retrospective Observational Study
Notice bibliographique
Résumé
BACKGROUND: While telemedicine has been expanding over the past decade, the COVID-19-related restrictions regarding in-person care have led to unprecedented levels of telemedicine utilization. To the authors' knowledge, no studies to date have quantitatively analyzed both national and regional trends in telemedicine utilization during the pandemic, both of which have key implications for informing health policy. OBJECTIVE: This study aimed to investigate how trends in telemedicine utilization changed across the course of the COVID-19 pandemic. METHODS: Using data from doxy.me, the largest free telemedicine platform, and the NIH (National Institutes of Health) Clinical Center, the largest clinical research hospital in the United States, we assessed changes in total telemedicine minutes, new provider registrations, monthly sessions, and average session length from March to November 2020. We also conducted a state-level analysis of how telemedicine expansion differed by region. RESULTS: National telemedicine utilization peaked in April 2020 at 291 million minutes and stabilized at 200 to 220 million monthly minutes from May to November 2020. Surges were strongest in New England and weakest in the South and West. Greater telemedicine expansion during the COVID-19 pandemic was geographically associated with fewer COVID-19 cases per capita. The nature of telemedicine visits also changed, as the average monthly visits per provider doubled and the average visit length decreased by 60%. CONCLUSIONS: The COVID-19 pandemic led to an abrupt and subsequently sustained uptick in telemedicine utilization. Regional and institute-level differences in telemedicine utilization should be further investigated to inform policy and procedures for sustaining meaningful telemedicine use in clinical practice.
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 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».