The Association of Medical Preoperative Evaluation Using Clinical Video Telehealth With Hospital Length of Stay: Descriptive Analysis
Notice bibliographique
Résumé
BACKGROUND: Preoperative medical evaluation serves to identify risk factors and optimize patients before surgery. Providing a telehealth option in the perioperative setting has played a significant role in reducing barriers to quality perioperative health care. OBJECTIVE: We aimed to evaluate how telemedicine preoperative evaluations using Clinical Video Telehealth (CVT) impact hospital length of stay. METHODS: We performed a retrospective chart review between 2016 and 2017 of adult patients who underwent evaluations in our hospitalist-run preoperative medicine clinic. Patients seen in our preoperative CVT program were compared to patients seen in person to evaluate the association of visit type (preoperative CVT versus in-person evaluation) with hospital length of stay, defined as hospital stay from postoperative day 0 to discharge. There were 62 patients included in this retrospective study. RESULTS: The adjusted incidence rate ratio (IRR) for hospital length of stay was significantly shorter in patients who underwent preoperative CVT compared to an in-person visit (IRR 0.52, 95% CI 0.29-0.92, P=.02). CONCLUSIONS: After adjusting for age and comorbidities, we show that preoperative telemedicine in the perioperative setting is associated with a shorter hospital length of stay compared to in-person visits. This suggests that telemedicine can play a viable role in this clinical setting.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».