Systematic Approaches for Telemedicine and Data Coordination for COVID-19 in Baja California, Mexico
Notice bibliographique
Résumé
Background In 2019, the State of Baja California had a total population of 3,682,063 inhabitants; in the city of Tijuana, there were only 13 Red Cross ambulances and 1 fire department ambulance to attend to the prehospital emergencies of almost 2 million inhabitants. Objective This study aimed to provide information to the public; evaluate COVID-19 in real time; and track regional, municipal, and state-wide data in real time that inform supply chains and resource allocation with the anticipation of a surge in COVID-19 cases. Methods Our model is based on human-centric design factors and cross-disciplinary collaborations for the scalable, data-driven enablement of smartphone teleconsultation technologies to link hospitals, clinics, and emergency medical services for point-of-care assessments of COVID-19 testing and subsequent treatment and quarantine decisions. Results The Telehealth System handled 28,964 telephone calls in the period from April 1, 2020, to January 30, 2022, and accumulated 20,287 working hours. In total, 13,721 follow-up calls were made to quarantined patients, providing medical and psychological counseling, and 12,643 calls were received and transferred from the 911 system, of which 4964 calls from patients with respiratory symptoms required urgent ambulance dispatch. Conclusions Telehealth offers capabilities for remote detection, care, and treatment to help with supervision, surveillance, discovery, and prevention, as well as to mitigate the effects of health care indirectly related to COVID-19.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».