Telehealth use among cancer survivors.
Notice bibliographique
Résumé
493 Background: Telehealth use has risen steeply since the COVID-19 pandemic, alongside acceptability among patients and providers. Patients with cancer have reported positive experiences with telemedicine, although concerns of inequity in technology access and digital literacy remain. As cancer survivors (CS) are an older population, it is unknown if CS are less likely to utilize telehealth compared to the general population (GP). Methods: Adult participants were extracted from the nationally representative database Health Information National Trends Survey 6 (3/2022-11/2022). Chi-square tests compared the prevalence of telehealth use in the last 12 months, and logistic regression was used to calculate adjusted odds ratio (aOR) and 95% CI comparing CS vs the GP. We further explored reasons for telehealth visits and perceptions related to telehealth. All calculations were weighted using SAS 9.4. Significance level was set at 2-sided p < 0.05. Results: A total of weighted 239,557,883 individuals were extracted, with 7.7% CS. Adjusting for confounders, the use of telehealth was significantly higher in CS than the GP (Table). Among those who used telehealth, CS were more likely to have telehealth recommended/required by healthcare providers (HCP) and less likely to attribute their use of telehealth to infection concerns or privacy than their non-cancer peers. No difference was observed regarding using telehealth for convenience, including friends/families, technical difficulties, or equivalence with in-person visits between CS vs the GP. Conclusions: CS used telehealth in the last year significantly more than the GP even when controlling for age. Telehealth was more likely to be recommended or required by their HCP, which may be a driver behind increased usage in CS. Digital literacy may not be a barrier to telehealth use in CS, as they did not experience more difficulties in their telehealth visits. Over half of CS did not use telehealth, however, and research is needed to characterize predictors of telehealth use in CS.[Table: see text]
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
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 ».