Redesigning primary care
Notice bibliographique
Résumé
OBJECTIVE: To explore primary care physician (PCP) perspectives on the clinical utility of virtual visits. DESIGN: Qualitative design involving semistructured interviews. SETTING: Primary care practices within 5 regions in southern Ontario. PARTICIPANTS: Primary care physicians representing different practice sizes and remuneration models. METHODS: Interviews were conducted with PCPs who were involved in a large-scale pilot implementation of virtual visits (patient-provider asynchronous messaging, or synchronous audio or video communication). The first phase involved a convenience sample of users in the first 2 regions where the pilot was initiated; after implementation in all 5 regions, purposive sampling was used to ensure diversity within the sample (eg, physicians representing different use frequencies of virtual visits, regions, and remuneration models). Interviews were audiorecorded and transcribed. An inductive thematic analysis was used to identify prominent themes and subthemes. MAIN FINDINGS: Twenty-six physicians were interviewed. Fifteen were recruited using convenience sampling and 11 through purposive sampling. Four themes regarding the clinical utility of virtual visits were identified: virtual visits can effectively resolve many patient concerns, with some variation in PCP comfort using virtual visits for specific conditions; virtual visits are beneficial for a range of patients but some patients might overuse or inappropriately use them; PCPs prefer to use asynchronous messaging (eg, text or online messaging) because of its convenience and flexibility; and virtual visits can provide value at the patient, provider, and health system levels. CONCLUSION: While participants believed that virtual visits can be appropriately used to resolve a variety of clinical concerns, they found in practice that virtual visits are fundamentally different from face-to-face encounters. Professional guidelines on appropriate use cases should be established to develop a standard framework for virtual care.
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 | 0,021 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».