Rapid Adoption of Telemedicine in Rheumatology Care During the <scp>COVID</scp>‐19 Pandemic Highlights Training and Supervision Concerns Among Rheumatology Trainees
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the impact of telemedicine use during the coronavirus disease 2019 (COVID-19) pandemic on rheumatology trainees. METHODS: A voluntary, anonymous, web-based survey was administered in English, Spanish, or French from August 19 to October 5, 2020. Adult and pediatric rheumatology trainees were invited to participate via social media and email. Using multiple-choice questions and Likert scales, the survey assessed prior and current telemedicine use, impact on training, and supervision after COVID-19 prompted rapid telemedicine implementation. RESULTS: Surveys were received from 302 trainees from 33 countries, with 83% in adult rheumatology training programs. Reported telemedicine use increased from 13% before the pandemic to 82% during the pandemic. United States trainees predominantly used video visits, whereas outside the United States telemedicine was predominantly audio only. Most (65%) evaluated new patients using telemedicine. More respondents were comfortable using telemedicine for follow-up patients (69%) than for new patients (25%). Only 39% of respondents reported receiving telemedicine-focused training, including instruction on software, clinical skills, and billing, whereas more than half of United States trainees (59%) had training. Postconsultation verbal discussion was the most frequent form of supervision; 24% reported no supervision. Trainees found that telemedicine negatively impacted supervision (50%) and the quality of clinical teaching received (70%), with only 9% reporting a positive impact. CONCLUSIONS: Despite widespread uptake of telemedicine, a low proportion of trainees received telemedicine training, and many lacked comfort in evaluating patients, particularly new patients. Inadequate supervision and clinical teaching were areas of concern. If telemedicine remains in widespread use, ensuring appropriate trainee supervision and teaching should be prioritized.
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 | 0,003 | 0,009 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».