MétaCan
Menu
Retour à la cohorte
Enregistrement W4361857341 · doi:10.2196/40358

Strategies to Bridge Equitable Implementation of Telehealth

2023· article· en· W4361857341 sur OpenAlexvenueno aff
Allison M. Gustavson, Allison A. Lewinski, Ellen E. Fitzsimmons‐Craft, Gloria D. Coronado, Sarah Linke, Denalee O’Malley, Alyce S. Adams, Russell E. Glasgow, Lisa M. Klesges

Notice bibliographique

RevueInteractive Journal of Medical Research · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensnon disponible
Organismes subventionnairesNational Center for Advancing Translational SciencesOffice of Behavioral and Social Sciences ResearchNational Institute of Diabetes and Digestive and Kidney DiseasesNational Cancer InstituteAgency for Healthcare Research and QualityNational Institutes of HealthPatient-Centered Outcomes Research InstituteRobert E. Leet and Clara Guthrie Patterson TrustNational Institute of Mental HealthHealth Services Research and DevelopmentU.S. Department of Veterans Affairs
Mots-clésTelehealthSoftware deploymentEquity (law)BusinessPandemicUnintended consequencesCoronavirus disease 2019 (COVID-19)Bridge (graph theory)Quality (philosophy)Process managementPublic relationsComputer scienceTelemedicineMedicinePolitical scienceHealth care

Résumé

récupéré en direct d'OpenAlex

During the COVID-19 pandemic, the rapid scaling of telehealth limited the extent to which proactive planning for equitable implementation was possible. The deployment of telehealth will persist in the postpandemic era, given patient preferences, advances in technologies, growing acceptance of telehealth, and the potential to overcome barriers to serve populations with limited access to high-quality in-person care. However, aspects and unintended consequences of telehealth may leave some groups underserved or unserved, and corrective implementation plans that address equitable access will be needed. The purposes of this paper are to (1) describe equitable implementation in telehealth and (2) integrate an equity lens into actionable equitable implementation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,066
score de la tête « metaresearch » (Gemma)0,097
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,066
Score d'incertitude au seuil0,351

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0660,097
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0050,010
Communication savante0,0110,018
Science ouverte0,0040,040
Intégrité de la recherche0,0070,010
Charge utile insuffisante (le modèle a refusé de juger)0,0120,001

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.

Tête enseignante Opus0,190
Tête enseignante GPT0,600
Écart entre enseignants0,410 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInteractive Journal of Medical ResearchMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207