Telemedicine use in 2020 during the COVID-19 pandemic among community dwelling U.S. Medicare beneficiaries
Notice bibliographique
Résumé
Objective: CMS reimbursement regulations for telemedicine changed after the onset of the COVID-19 pandemic. This study aimed to assess telemedicine utilization patterns offered by health care providers and used by Medicare beneficiaries during the COVID-19 pandemic during 2020.Methods: This study used the Fall 2020 Medicare Current Beneficiary Survey (MCBS) supplemental COVID-19 survey to identify Medicare beneficiaries (≥ 65 years) with a regular place for medical care that offered telemedicine during 2020. Major outcomes: prevalence for whether telemedicine was offered before and during the pandemic, telemedicine use, and digital access to telemedicine. Logistic regression identified the demographic factors associated with telemedicine use.Results: The study sample included 4,380 eligible individual Medicare beneficiaries ≥ 65 years. Of those, 42.9% made telemedicine visits during the pandemic. Approximately 60% of the telemedicine visits were conducted via telephone. Telemedicine was offered to 18% of the respondents before the pandemic vs. 64% during year 2020 of the pandemic. Among telemedicine users, 57.2%, 28.3%, and 14.5% used voice calls, video calls, and both voice and video calls for health care appointments, respectively. Overall telemedicine use varied by sex, race, and region. Individuals 65-74 years, female, living in a metropolitan area, with higher incomes were more likely to make video visits. Experience using telecommunications via the internet influenced telemedicine use significantly.Conclusions: Telemedicine offered to older Medicare beneficiaries increased dramatically after the onset of the COVID-19 pandemic. Yet, less than half used telemedicine and differences in utilization existed by demographic characteristics.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 ».