Mental health care using video during COVID-19: service user and clinician experiences, including future preferences
Notice bibliographique
Résumé
Purpose This paper aims to evaluate service user (SU) and clinician acceptability of video care, including future preferences to inform mental health practice during COVID-19, and beyond. Design/methodology/approach Structured questionnaires were co-developed with SUs and clinicians. The SU online experience questionnaire was built into video consultations (VCs) via the Attend Anywhere platform, completed between July 2020 and March 2021. A Trust-wide clinician experience survey was conducted between July and October 2020. Chi-squared test was performed for any differences in clinician VC rating by mental health difficulties, with the content analysis used for free-text data. Findings Of 1,275 SUs completing the questionnaire following VC, most felt supported (93.4%), and their needs were met (90%). For future appointments, 51.8% of SUs preferred video, followed by face-to-face (33%), with COVID-related and practical reasons given. Of 249 clinicians, 161 (64.7%) had used VCs. Most felt the therapeutic relationship (76.4%) and privacy (78.7%) were maintained. Clinicians felt confident about clinical assessment and management using video. However, they were less confident in assessing psychotic symptoms and initiating psychotropic medications. There were no significant differences in clinician VC rating by mental health difficulties. For future, more SUs preferred using video, with a quarter providing practical reasons. Originality/value The study provides a real-world example of video care implementation. In addition to highlighting clinician needs, support at the wider system/policy level, with a focus on addressing inequalities, can inform mental health care beyond 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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) | 0,000 | 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 ».