MétaCan
Menu
← Retour à la cohorte
Enregistrement W4385471159 · doi:10.2196/42217

Telehealth Use During the COVID-19 Pandemic Among Veterans and Nonveterans: Web-Based Survey Study

2023· article· en· W4385471159 sur OpenAlexvenueno aff
Holly Shoemaker, Alistair Thorpe, Vanessa Stevens, Jorie Butler, Frank A. Drews, Nicole Burpo, Laura D. Scherer, Angela Fagerlin

Notice bibliographique

RevueJMIR Formative Research · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensnon disponible
Organismes subventionnairesAmerican Heart AssociationU.S. Department of Veterans Affairs
Mots-clésTelehealthPandemicMedicineOddsOutreachHealth carePreferenceFamily medicineCoronavirus disease 2019 (COVID-19)TelemedicineLogistic regression

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: In the first year of the COVID-19 pandemic, studies reported delays in health care usage due to safety concerns. Delays in care may result in increased morbidity and mortality from otherwise treatable conditions. Telehealth provides a safe alternative for patients to receive care when other circumstances make in-person care unavailable or unsafe, but information on patient experiences is limited. Understanding which people are more or less likely to use telehealth and their experiences can help tailor outreach efforts to maximize the impact of telehealth. OBJECTIVE: This study aims to examine the characteristics of telehealth users and nonusers and their reported experiences among veteran and nonveteran respondents. METHODS: A nationwide web-based survey of current behaviors and health care experiences was conducted in December 2020-March 2021. The survey consisted of 3 waves, and the first wave is assessed here. Respondents included US adults participating in Qualtrics web-based panels. Primary outcomes were self-reported telehealth use and number of telehealth visits. The analysis used a 2-part regression model examining the association between telehealth use and the number of visits with respondent characteristics. RESULTS: There were 2085 participants in the first wave, and 898 (43.1%) reported using telehealth since the pandemic began. Most veterans who used telehealth reported much or somewhat preferring an in-person visit (336/474, 70.9%), while slightly less than half of nonveterans (189/424, 44.6%) reported this preference. While there was no significant difference between veteran and nonveteran likelihood of using telehealth (odds ratio [OR] 1.33, 95% CI 0.97-1.82), veterans were likely to have more visits when they did use it (incidence rate ratio [IRR] 1.49, 95% CI 1.07-2.07). Individuals were less likely to use telehealth and reported fewer visits if they were 55 years and older (OR 0.39, 95% CI 0.25-0.62 for ages 55-64 years; IRR 0.43, 95% CI 0.28-0.66) or lived in a small city (OR 0.63, 95% CI 0.43-0.92; IRR 0.71, 95% CI 0.51-0.99). Receiving health care partly or primarily at the Veterans Health Administration (VA) was associated with telehealth use (primarily VA: OR 3.25, 95% CI 2.20-4.81; equal mix: OR 2.18, 95% CI 1.40-3.39) and more telehealth visits (primarily VA: IRR 1.5, 95% CI 1.10-2.04; equal mix: IRR 1.57, 95% CI 1.11-2.24). CONCLUSIONS: Telehealth will likely continue to be an important source of health care for patients, especially following situations like the COVID-19 pandemic. Some groups who may benefit from telehealth are still underserved. Telehealth services and outreach should be improved to provide accessible care for all.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,258
Tête enseignante GPT0,515
Écart entre enseignants0,258 · 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'étudeObservationnel
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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetTelemedicine and Telehealth Implementation→Travaux en français237 207→