Impact of virtual visits on primary care physician work flows
Notice bibliographique
Résumé
OBJECTIVE: To understand the impact of virtual visits on primary care physician (PCP) work flows. DESIGN: Qualitative semistructured interviews. SETTING: Primary care practices within 5 regions in southern Ontario. PARTICIPANTS: Physicians representing primary care practices of various sizes and remuneration models (eg, capitation and fee-for-service models). METHODS: Interviews were conducted with PCPs involved in a large-scale pilot project implementing virtual visits (via a Web-based application) into clinical practices. Convenience and purposive sampling were used to recruit PCPs between January 2018 and March 2019. To obtain a representative sample, participants were sought from a variety of practice types and geographic regions. High and low users of virtual visits were included. Interviews were audiorecorded and transcribed. An inductive thematic analysis was used to identify prominent themes and subthemes. MAIN FINDINGS: Twenty-six physicians were interviewed (n=15 using convenience sampling and n=11 through purposive sampling). Four themes were identified: PCPs employ diverse approaches to integrate virtual care into their work flow; PCPs recognize that implementing virtual visits requires upfront time and effort but have variable perceptions regarding long-term impact of virtual care on processes; asynchronous messaging is preferable to synchronous audio or video visits; and strategies were identified to improve the integration of virtual visits. CONCLUSION: The potential of virtual care to improve work flow is dependent on the way these visits are implemented and used. Dedicated time for implementation, emphasis on using asynchronous secure messaging, and access to clinical champions and structured change management support were associated with more seamless integration of virtual visits.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».