The doctor-patient relationship and barriers in non-verbal communication during teleconsultation in the era of COVID-19: A scoping review
Notice bibliographique
Résumé
<ns3:p> <ns3:bold>Background:</ns3:bold> Telemedicine is increasingly being used to provide virtual medical care. However, the transition to virtual consultations presents challenges for non-verbal communication. This scoping review aimed to identify and summarize studies that present data on barriers to non-verbal communication during teleconsultation. </ns3:p> <ns3:p> <ns3:bold>Methods:</ns3:bold> We searched MEDLINE/Pubmed, Ovid, APA, EBSCO, Web of Science and Scielo, without language or region restrictions. Our study included case series, cross-sectional, retrospective, and prospective cohorts that addressed barriers in any aspect of the non-verbal communication during teleconsultation. The quality of the evidence was assessed by the New Castle-Ottawa and Murad tools, and a thematic analysis was used for the qualitative synthesis of results. </ns3:p> <ns3:p> <ns3:bold>Results:</ns3:bold> We included 18 studies that reported qualitative findings related to the dimensions of non-verbal communication in telemedicine, which include ‘head and face’, ‘voice and speech’, ‘body language’, and ‘technical aspects’. The most reported barriers were facial gestures, looks, and body posture. </ns3:p> <ns3:p> <ns3:bold>Conclusions:</ns3:bold> Our study identified several dimensions of non-verbal communication that may pose barriers during teleconsultation. These findings may help guide the development of strategies to address these barriers and improve the quality of telemedicine services. </ns3:p>
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».