Telemedicine via Continuous Remote Care: A Proactive, Patient-Centered Approach to Improve Clinical Outcomes
Notice bibliographique
Résumé
The COVID-19 pandemic has revolutionized health care for patients and providers alike. Telemedicine has moved from the periphery of our health care system to center stage more rapidly than anyone could have envisioned. Currently, virtual care has quite effectively replicated the traditional health system's care delivery model and reimbursement structure-a patient makes an appointment, then sees a physician (except with video or phone replacing in-office visits) who makes a care plan, and the patient and physician meet again at a later timepoint to assess progress. Replicating this episodic care paradigm virtually has been invaluable for delivering care swiftly during the COVID-19 pandemic; however, we can and should do more with the connectedness and convenience that telemedicine technology enables. Continuous remote care, with a data-driven, proactive outreach to patients, represents a decisive step forward in contrast to the currently available episodic, reactive, patient-initiated care. In the context of continuous remote care, patient biometric and symptom data (patient entered and connected data) are assimilated in real time by artificial intelligence-enabled clinical platforms to bring physicians' and other health care team members' attention to those patients who need intervention, whether this is via medication adjustments, acute care management, or lifestyle coaching. In this paper, we discuss how an innovative continuous remote care approach has improved outcomes in another deadly pandemic-type 2 diabetes mellitus.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».