The paradoxes of telehealth platforms: what did we learn from the use of telehealth platforms?
Notice bibliographique
Résumé
This article is an overview and reflection of the findings of an evaluative study conducted on a program called "Techno-Covid Partnership" (TCP) implemented in April 2020 at the Centre Hospitalier de l'Université de Montréal (CHUM) in Montreal, Canada. In the context of the COVID-19 pandemic, the CHUM decided in April 2020 to implement telehealth, virtual care, and telemonitoring platforms and technologies to maintain access to care and reduce the risks of contamination and spread of COVID-19 as well as to protect users of health services and health professionals. Three technological platforms for telehealth and remote care and monitoring have been developed, implemented, and evaluated in real-time within the framework of the TCP program. A cross-sectional study was carried out in which a questionnaire was used and administered to users of telehealth platforms including patients and healthcare professionals. The methods and results of the study have been published previously published. In the completion of the two articles published in this context, in this paper, we briefly recall the context of the study and the method performed. The main focus of the paper is on presenting a critical overview and reflection on the major findings of our evaluation of the use of telehealth platforms from the point of view of patients and health professionals and discuss certain paradoxes i.e., the advantages, challenges, recommendations, and other perspectives that emerged in this study.
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 | 0,121 | 0,168 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,030 |
| Communication savante | 0,022 | 0,043 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,006 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».