COVID-19's Perceived Impact on Primary Care in New England: A Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: COVID-19 impacted primary care delivery, as clinicians and practices implemented changes to respond to the pandemic while safely caring for patients. This study aimed to understand clinicians' perceptions of the positive and negative impacts of COVID-19 on primary care in New England. METHODS: This qualitative interview study was conducted from October through December 2020. Participants included 22 physicians and 2 nurse practitioners practicing primary care in New England. Data were thematically coded and analyzed deductively and inductively using content analysis. RESULTS: Through qualitative content analysis, 4 areas were identified in which clinicians perceived that COVID-19 impacted primary care: 1) bureaucracy, 2) leadership, 3) telemedicine and patient care, and 4) clinician work-life. Our findings suggest that the positive impacts of COVID-19 included changes in primary care delivery, new leadership opportunities for clinicians, flexible access to care for patients via telemedicine, and a better work-life balance for clinicians. Respondents identified negative impacts related to sustaining pandemic-inspired changes, the inability for some populations to access care via telemedicine, and the rapid implementation of telemedicine causing frustration for clinicians. CONCLUSIONS: Understanding clinician perspectives on how primary care transformed to respond to COVID-19 helps to identify beneficial pandemic-related changes that should be sustained and ideas for improvement that will support patient care and clinician engagement.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».