The Utilization of an Electronic Consultation Service During the Coronavirus Disease 2019 Pandemic
Notice bibliographique
Résumé
Objective: The coronavirus disease 2019 (COVID-19) pandemic forced many clinicians to rapidly adopt changes in their practice. In this study, we compared patterns of utilization of Ontario eConsult before and after the onset of the COVID-19 pandemic, to assess COVID 19's impact on how eConsult is used. Materials and Methods: We conducted a longitudinal analysis of registration and utilization data for Ontario eConsult. All primary care providers (PCPs) and specialists who joined the service between March 2019 and November 2020, and all eConsult cases closed during the same period were included. The data were divided into two timeframes for comparison: prepandemic (March 2019–February 2020) and pandemic (March 2020–November 2020). Results: In total, 5,925 PCPs joined during the study period, more than doubling total enrollment to 11,397. The average monthly number of eConsults increased from 2,405 (standard deviation [SD] = 260) prepandemic to 3,906 (SD = 420) pandemic. Case volume jumped to 24.3% in the first month of the pandemic, and increased by 71% during the COVID-19 pandemic timeframe. The median response time was similar in both timeframes (prepandemic: 1.0 days; pandemic: 0.9 days). The proportion of cases resulting in new/additional information (prepandemic: 55%, pandemic: 57%) or avoidance of a contemplated referral (prepandemic: 52%, pandemic: 51%) remained consistent between timeframes. Conclusions: Registration to and usage of eConsult increased during the pandemic. Metrics of the service's impact, including response time, percentage of cases resulting in new or additional information, and avoidance of originally contemplated referrals were all consistent between the prepandemic and COVID-19 pandemic timeframes, suggesting scalability.
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 | 0,000 |
| 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 | 0,001 | 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 ».