969-P: Changes in Patterns of Care in Diabetes via Virtual Care Delivery Prior to and During COVID-Pandemic
Notice bibliographique
Résumé
Background: The COVID-pandemic and virtual care has impacted the care delivery of many health care conditions including diabetes. This study aimed to compare how patterns of care for diabetes have changed as a result of virtual care and the COVID-pandemic at a large academic ambulatory care facility in Toronto, Canada. Methods: Patients were included who had an initial diabetes visit between September 15, 20 and September 20, 2020. Fisher's exact test was used to determine differences in care patterns between visits pre and during COVID- (after March 14, 2020) . Results: Pre-COVID-19, there were 240 (72.7%) completed initial visits and 90 (27.3%) follow-up visits, including 27.5% and 36.7% for type 1 diabetes, respectively. During COVID-19, there were 235 (44.1%) initial visits and 298 (56%) follow-up visits including 29.4% and 27.2% for type 1 diabetes, respectively. Including all visits, there were more no-shows during COVID-19, 4.5% vs. 1.5%; p<0.05. Out of 330 pre-COVID-visits, all (100%) were done in-person. During COVID-19, out of 533 visits, 89.3% were done by phone, 7.5% by video, and only 3.2% in-person. Conclusion: During COVID-19, there were more follow-up diabetes visits seen compared to initial visits and more no-shows. Most diabetes visits were done by phone during COVID-19. More data is needed to understand how diabetes care delivery has changed as a result of virtual care during COVID-19. Disclosure P.Palcu: None. G.Mukerji: n/a. C.Chu: None. C.Pendrith: None.
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 | 0,001 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».