604. Impact of COVID-19 Pandemic on Telehealth Practices in Pediatric Infectious Diseases
Notice bibliographique
Résumé
Abstract Background The COVID-19 pandemic has led to changes in clinical practice, including a significant increase in the use of telehealth (TH). We sought to assess the impact of the pandemic on the use and perceptions of TH by pediatric infectious diseases (PID) clinicians. Figure 1. Modalities Figure 2. Comfort Methods The PIDS* Telehealth Working Group developed a 26-question online survey to assess telehealth practices among PID clinicians. The survey was available via Survey Monkey® from 12/6/2020-2/26/2021 to members of PIDS, PICNIC*, AAMI and AAP*. Clinicians in active practice in North America were included in the analysis. Figure 3. Platforms Figure 4. Barriers Results The response rate was 10% (n=253) of 2,550 PID clinicians. Physicians accounted for 98.4% of the cohort. The remaining 1.6% were allied health professionals. 81 survey respondents (32%) were in 4 US states (CA, TX, OH and NY) and the province of Quebec. 62.8% of respondents were women, 37% of respondents were 36-45 years old, with 42.7% devoting about 50-99% of their time to direct patient care. TH usage increased during the pandemic with the most gain in provider-patient communications with 65.6% increase for synchronous and 22.1% for asynchronous TH (Figure 1). Gains in provider-provider TH were less than 20%. Respondents reported a 6-fold gain in comfort with TH usage versus pre-pandemic level (Figure 2). Most respondents report being satisfied with their current platform and modality. Once the COVID-19 waivers expire, 70% of respondents plan to continue using TH. The most common TH modality used was an EMR-integrated TH platform (Figure 3). The main perceived barriers to TH adoption were lack of complete physical examination (73.7%), dealing with new technology (21.5%), and insufficient reimbursement (20.8%) (Figure 4). Conclusion The COVID-19 pandemic has resulted in a significant increase in the use of TH by PID specialists versus pre-pandemic usage. Respondents gained comfort with use of different telehealth modalities during the pandemic. This data can help clinicians and organizations in planning and resource allocation for telehealth programs in a post-pandemic environment. Disclosures All Authors: No reported disclosures
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 | 0,002 | 0,012 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,001 |
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 ».