The Use of Telemedicine in Older-Adults During the COVID-19 Pandemic: a Weekly Cross-Sectional Analysis in Ontario, Canada
Notice bibliographique
Résumé
The COVID-19 pandemic led to rapid adoption of telemedicine for health-care service delivery. There are concerns that older adults, the highest users of the health-care system, would be left behind because of this shift. It remains unclear how the pandemic impacted telemedicine and other health-care service use in this group. We conducted a population-based, weekly cross-sectional study using administrative data from Ontario, Canada. Telemedicine use was measured for the overall older-adult population aged 65+ and across sociodemographic groups from January 2018 to March 2021. We also assessed the use of key health-care services between high and low patient users of telemedicine who were diagnosed with dementia. We found that telemedicine visits outnumbered in-person visits in older adults during the pandemic (average of 74 vs. 62 visits per 1000 per week). Of all specialties, psychiatrists delivered the most telemedicine visits, reaching 90% of visits in a week. Higher rates of telemedicine use during COVID-19 were found for patients who resided in urban regions (84 visits per 1000 per week), but no differences were found across income quintiles. Among dementia patients, high telemedicine users had higher health-care utilization than low telemedicine users (i.e., 21,108 vs. 3,276 outpatient visits per week) during the pandemic. Findings suggest that telemedicine was crucial in helping older adults, a group most vulnerable to COVID-19, maintain access to care during the pandemic. Telemedicine presents an important opportunity for older adults; however, future research should focus on barriers to equitable access and quality of care provided through telemedicine.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».