Virtual Care and the Inverse Care Law: Implications for Policy, Practice, Research, Public and Patients
Notice bibliographique
Résumé
Virtual care spread rapidly at the outbreak of the COVID-19 pandemic. Restricting in-person contact contributed to reducing the spread of infection and saved lives. However, the benefits of virtual care were not evenly distributed within and across social groups, and existing inequalities became exacerbated for those unable to fully access to, or benefit from virtual services. This "perspective" paper discusses the extent to which challenges in virtual care access and use in the context of COVID-19 follow the Inverse Care Law. The latter stipulates that the availability and quality of health care is inversely proportionate to the level of population health needs. We highlight the inequalities affecting some disadvantaged populations' access to, and use of public and private virtual care, and contrast this with a utopian vision of technology as the "solution to everything". In public and universal health systems, the Inverse Care Law may manifests itself in access issues, capacity, and/or lack of perceived benefit to use digital technologies, as well as in data poverty. For commercial "Direct-To-Consumer" services, all of the above may be encouraged via a consumerist (i.e., profit-oriented) approach, limited and episodic services, or the use of low direct cost platforms. With virtual care rapidly growing, we set out ways forward for policy, practice, and research to ensure virtual care benefits for everyone, which include: (1) pay more attention to "capabilities" supporting access and use of virtual care; (2) consider digital technologies as a basic human right that should be automatically taken into account, not only in health policies, but also in social policies; (3) take more seriously the impact of the digital economy on equity, notably through a greater state involvement in co-constructing "public health value" through innovation; and (4) reconsider the dominant digital innovation research paradigm to better recognize the contexts, factors, and conditions that influence access to and use of virtual care by different groups.
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 | 0,056 | 0,149 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,011 | 0,071 |
| Communication savante | 0,028 | 0,041 |
| Science ouverte | 0,005 | 0,019 |
| Intégrité de la recherche | 0,026 | 0,028 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 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 ».