Quality measures of virtual care in ambulatory healthcare environments: a scoping review
Notice bibliographique
Résumé
OBJECTIVES: Delivery of virtual care increased throughout the COVID-19 pandemic and persisted after physical distancing measures ended. However, little is known about how to measure the quality of virtual care, as current measures focus on in-person care and may not apply to a virtual context. This scoping review aims to understand the connections between virtual care modalities used with ambulatory patient populations and quality measures across the Quintuple Aim (provider experience, patient experience, per capita cost, population health and health equity). DESIGN: Virtual care was considered any interaction between patients and/or their circle of care occurring remotely using any form of information technology. Five databases (MEDLINE, Embase, PsycInfo, Cochrane Library, JBI) and grey literature sources (11 websites, 3 search engines) were searched from 2015 to June 2021 and again in August 2022 for publications that analysed virtual care in ambulatory settings. Indicators were extracted, double-coded into the Quintuple Aim framework; patient and provider experience indicators were further categorised based on the National Academy of Medicine quality framework (safety, effectiveness, patient-centredness, timeliness, efficiency and equity). Sustainability was added to capture the potential for continued use of virtual care. RESULTS: 13 504 citations were double-screened resulting in 631 full-text articles, 66 of which were included. Common modalities included video or audio visits (n=43), remote monitoring (n=11) and mobile applications (n=11). The most common quality indicators were related to patient experience (n=58 articles), followed by provider experience (n=25 articles), population health outcomes (n=23 articles) and health system costs (n=19 articles). CONCLUSIONS: The connections between virtual care modalities and quality domains identified here can inform clinicians, administrators and other decision-makers how to monitor the quality of virtual care and provide insights into gaps in current quality measures. The next steps include the development of a balanced scorecard of virtual care quality indicators for ambulatory settings to inform quality improvement.
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 | 0,028 | 0,156 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,009 |
| Bibliométrie | 0,029 | 0,028 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».