“Check Your Vulva”—A Patient Education and Virtual Vulva Care Pilot Project
Notice bibliographique
Résumé
OBJECTIVE: The aim of the study is to identify whether vulvar self-examination learned from a web site could lead to a self-identification of vulvar lesions and the feasibility of virtual vulvar care with patient submitted photos. MATERIALS AND METHODS: The study used a prospective cohort design in a tertiary academic hospital over a 1-year period. Eligible participants who self-identified a vulvar lesion/skin changes were invited to send vulvar photos through a secure patient portal and schedule a phone consult to discuss diagnosis/management. Clinical data, photo interpretability, and patient satisfaction measures were collected. Self-referral patients versus vulva clinic waitlist patients were analyzed separately. RESULTS: Few people were interested in submitting vulvar photos online. Twenty-eight participants directly contacted the study, 8 consented, and 6 sent in vulvar photos. Forty four of 476 on the waitlist consented but only 24 of 44 sent in photos (5% of waitlist patients). The median time for a virtual assessment was 7 days for study participants while it was 18 months for the in-person usual care pathway. Most patient submitted photos were assessable. However, 60% participants needed help from another person to take the photos. More than 90% of patients required an in-person visit for their vulvar condition/concerns. While most patients were happy with the virtual process, 58% rated their satisfaction with the ease of taking photos of the genital region as "fair" or "poor." CONCLUSIONS: Virtual care with photos/phone calls might be feasible, although most patients are unlikely to participate. Because of patient discomfort, unease with taking photos, and patient privacy concerns, vulvar care should continue to be in-person for most new consults.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».