The Impact of Telemedicine Visits on the Controlling High Blood Pressure Quality Measure During the COVID-19 Pandemic: Retrospective Cohort Study
Notice bibliographique
Résumé
BACKGROUND: Telemedicine visit use vastly expanded during the COVID-19 pandemic, and this has had an uncertain impact on cardiovascular care quality. OBJECTIVE: We sought to examine the association between telemedicine visits and the failure to meet the Controlling High Blood Pressure (BP) quality measure from the Centers for Medicare & Medicaid Services. METHODS: This was a retrospective cohort study of 32,727 adult patients with hypertension who were seen in primary care and cardiology clinics at an urban, academic medical center from February to December 2020. The primary outcome was a failure to meet the Controlling High Blood Pressure quality measure, which was defined as having no BP recorded or having a last recorded BP of ≥140/90 mm Hg (ie, poor BP control). Multivariable logistic regression was used to assess the association between telemedicine visit use during the study period (none, 1 telemedicine visit, or ≥2 telemedicine visits) and poor BP control; we adjusted for demographic and clinical characteristics. RESULTS: During the study period, no BP was recorded for 2.3% (486/20,745) of patients with in-person visits only, 27.1% (1863/6878) of patients with 1 telemedicine visit, and 25% (1277/5104) of patients with ≥2 telemedicine visits. After adjustment, telemedicine use was associated with poor BP control (1 telemedicine visit: odds ratio [OR] 2.06, 95% CI 1.94-2.18; P<.001; ≥2 telemedicine visits: OR 2.49, 95% CI 2.31-2.68; P<.001; reference: in-person visits only). This effect disappeared when the analysis was restricted to patients with at least 1 recorded BP (1 telemedicine visit: OR 0.89, 95% CI 0.83-0.95; P=.001; ≥2 telemedicine visits: OR 0.91, 95% CI 0.83-0.99; P=.03). CONCLUSIONS: Increased telemedicine visit use is associated with poorer performance on the Controlling High Blood Pressure quality measure. However, telemedicine visit use may not negatively impact BP control when BP is recorded.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».