Notice bibliographique
Résumé
Background Telehealth has historically been used to increase access to care for marginalized populations living in rural and underserved communities and those who require frequent medical care. Video visits have been used to address distance barriers for routine and specialty care, and remote patient monitoring has been used to help those with chronic medical conditions. However, following the COVID-19 pandemic, telehealth has become standard and is less likely to be used by the populations who could benefit most from its use. Objective This review aimed to evaluate whether telemedicine use is lower among patients without insurance, racial/ethnic minority individuals, and non–English-speaking patients. Methods From reviews of the literature and US data, comparisons of telehealth use between different populations were conducted. Utilization rates were compared between racial/ethnic groups (Black, Asian, and White; Hispanic and non-Hispanic) and among different telehealth use cases: on-demand, direct-to-consumer care; scheduled ambulatory video visits; and remote patient monitoring applications. Results Among telehealth users in the United States, the highest share of visits that used video services occurred among young adults aged 18-24 years (72.5%), those earning at least US $100,000 (68.8%), those with private insurance (65.9%), and White individuals (61.9%). Video telehealth rates were lowest among those without a high school diploma (38.1%); adults aged ≥65 years (43.5%); and Hispanic (50.7%), Asian (51.3%), and Black individuals (53.6%). Conclusions Telehealth use increased dramatically during the COVID-19 pandemic, but research suggests that access to telehealth was not equitable across different population subgroups. Following the pandemic, the use of telehealth has gone from a tool that was used to primarily address barriers in access among minority populations to a model of care that serves those who are better insured, English-speaking, and White. Interventions to address inequities involve payment policies, ambulatory operations, and investments in making telehealth more accessible by underserved populations.
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 | 0,007 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,014 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».