MétaCan
Menu
← Retour à la cohorte
Enregistrement W4205738906 · doi:10.2196/preprints.31222

Virtual Primary Care Implementation during COVID-19 in High-Income Countries: A Scoping Review (Preprint)

2021· review· en· W4205738906 sur OpenAlexaff
Kristina De Vera, Priyanka Challa, Rebecca Liu, Kaitlin Fuller, Anam Shahil Feroz, Anissa Gamble, Eunice Ka Hong Leung, Emily Seto

Notice bibliographique

Revuenon disponible
Typereview
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensUniversity Health NetworkWestern UniversityOntario Council of University LibrariesWomen's College HospitalUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésCINAHLScopusMEDLINEInclusion (mineral)Coronavirus disease 2019 (COVID-19)Cochrane LibraryPreprintData extractionGrey literatureMedicinePolitical scienceWorld Wide WebPsychologyComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND Primary care physicians across the world are grappling with adopting virtual services to provide appropriate patient care during the COVID-19 pandemic. As the crisis continues, it is imperative to recognize the wide-scale barriers and seek strategies to mitigate the challenges of rapid adoption to virtual care felt by patients and physicians alike. OBJECTIVE The purpose of this scoping review was to map the challenges, strategies, and lessons learned from high-income countries that can be mobilized to inform decision-makers on how to best implement virtual primary care services during and after the COVID-19 pandemic. Moreover, the findings of our scoping review identified the barriers and strategies within the Quadruple Aim components, which may prove to be an effective implementation strategy for virtual care adoption in primary care settings. METHODS The two concepts of virtual care and COVID-19 were searched in MEDLINE, EMBASE, and CINAHL on Aug 10, 2020, and Scopus was searched on Aug 15, 2020. The database searches returned 10,549 citations and an additional 766 citations were retrieved from searching the citations from the reference lists of articles that met all inclusion criteria. After deduplication, 6,580 unique citations remained. Following title and abstract screening, 1,260 full-text articles were reviewed, of which 49 articles were included for data extraction, and 38 articles met the eligibility criteria for inclusion in the review. RESULTS Seven factors were identified as major barriers to the implementation of virtual primary care. Of the 38 articles included in this scoping review, 20 (53%) articles focused on challenges to equitable access to care, specifically regarding the lack of access to internet, smartphones, and Internet bandwidth for rural, seniors, and underserved populations. The second most common factor discussed in the articles was the lack of funding for virtual care (n= 14; 37%), such as inadequate reimbursement policies for virtual care. Other factors included negative patient and clinician perceptions of virtual care (n=11; 29%), lack of appropriate regulatory policies (n= 10, 26%), inappropriate clinical workflows (n= 9, 24%), lack of virtual care infrastructure (n= 8; 21%), and lastly, a need for appropriate virtual care training and education for clinicians (n=5;13%). CONCLUSIONS This review identified several barriers and strategies to mitigate those barriers that address the challenges of virtual primary care implementation related to equity, regulatory policies, technology and infrastructure, education, clinician and patient experience, clinical workflows, and funding for virtual care. These strategies included providing equitable alternatives to access care for patients with limited technical literacy and English proficiency and altering clinical workflows to integrate virtual care services. As many countries enter potential subsequent waves of the COVID-19 pandemic, applying early lessons learned to mitigate implementation barriers can help with the transition to equitable and appropriate virtual primary care services.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,017
score de la tête « metaresearch » (Gemma)0,078
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,089

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,078
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0090,015
Études des sciences et des technologies0,0020,001
Communication savante0,0060,004
Science ouverte0,0010,002
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,456
Écart entre enseignants0,400 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTelemedicine and Telehealth Implementation→Travaux en français237 207→