Evaluating Telehealth Implementation in the Context of Pediatric Chronic Pain Treatment during COVID-19
Notice bibliographique
Résumé
Telehealth has emerged as a promising healthcare delivery modality due to its ability to ameliorate traditional access-level barriers to treatment. In response to the onset of the novel coronavirus (COVID-19) pandemic, multidisciplinary pain clinics either rapidly built telehealth infrastructure from the ground up or ramped up existing services. As the use of telehealth increases, it is critical to develop data collection frameworks that guide implementation. This applied review provides a theoretically-based approach to capitalize on existing data sources and collect novel data to inform virtually delivered care in the context of pediatric pain care. Reviewed multisource data are (1) healthcare administrative data; (2) electronic chart review; (3) clinical health registries; and (4) stakeholder feedback. Preliminary telehealth data from an interdisciplinary pediatric chronic pain management clinic (PPMC) serving youth ages 8-17 years are presented to illustrate how relevant implementation outcomes can be extracted from multisource data. Multiple implementation outcomes were assessed, including telehealth adoption rates, patient clinical symptoms, and mixed-method patient-report telehealth satisfaction. This manuscript provides an applied roadmap to leverage existing data sources and incorporate stakeholder feedback to guide the implementation of telehealth in pediatric chronic pain settings through and beyond COVID-19. Strengths and limitations of the modeled data collection approach are discussed within the broader context of implementation science.
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 | 0,004 | 0,001 |
| 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 | 0,000 |
| 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 ».