Trends in Teledermatology Utilization in the United States
Notice bibliographique
Résumé
Background Teledermatology is an effective health care delivery model that has seen tremendous growth over the last decade. This growth can be attributed to a variety of factors, including but not limited to an increased access to dermatologic care for those with socioeconomic or geographic barriers, a reduction in health care costs for both the patient and the physician, and the delivery of high-quality dermatologic care. However, the associated barriers include practice reimbursements, interstate licensing, and liability. Despite these apparent barriers, the emergence of COVID-19 afforded teledermatology a surge of demand and loosened regulations, allowing dermatologists to see higher volumes of teledermatology patients. In this paper, we analyzed the American Academy of Dermatology’s DataDerm registry teledermatology utilization and patient demographic trends throughout the COVID-19 pandemic. Objective The aim of this paper was to characterize national-level teledermatology demographic data in the setting of the COVID-19 pandemic. Methods National-level data were curated for all practices enrolled in the American Academy of Dermatology’s DataDerm registry from April 1, 2020, through June 30, 2021. Encounter utilization rates were collected for visit type (ie, teledermatology versus in person), sex, race, age, insurance provider, and location (ie, in state versus out of state). The aggregate total data, as opposed to individual encounter data, were collected. Results The proportion of women who utilized services via teledermatology (65,023/98,642, 65.9%) was greater than that of those who utilized in-person services (29,40,122/50,48,450, 58.2%). Non-White patients made up a higher percentage of teledermatology utilizers (8920/62,324, 15%) when compared with in-person utilizers (3,94,580/35,08,150, 11.7%). Younger patients (aged <40) contributed more to teledermatology service utilization (62,695/75,319, 83.2%) when compared with in-person services (13,29,218/33,01,175, 40.3%). Medicare was a larger payor contributor for in-person services (8232/1,53,279, 25.2%) than for teledermatology services (10,89,777/43,30,882, 5.4%). Utilization by out-of-state patients was proportionally higher for teledermatology services (19,422/1,33,416, 14.6%) compared with in-person services (5,80,358/1,38,31,400, 4.2%). Conclusions Teledermatology services may reach and benefit certain populations (female, younger patients, those with non-White racial backgrounds, and out-of-state patients) more so than others. These baseline demographics may also serve to highlight populations for potential future teledermatology outreach efforts. Conflict of Interest None declared.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».