Telemedicine for Patients With Systemic Lupus Erythematosus in a Publicly Funded Hospital System: Retrospective Study
Notice bibliographique
Résumé
BACKGROUND: Systemic lupus erythematosus (SLE) is a chronic autoimmune disease that requires frequent clinic and laboratory visits. However, patients with SLE, particularly those who are underresourced, have unacceptably high rates of no-shows. OBJECTIVE: This study aims to determine no-show rates associated with telemedicine visits during the COVID-19 pandemic in comparison to no-show rates associated with contemporaneous and historic in-person visits. METHODS: We performed a retrospective cohort study in a publicly funded county hospital system in Houston, Texas. We identified a cohort of established patients with SLE by the International Classification of Diseases codes that were independently confirmed as SLE by a review of medical records. We identified patients who were seen from March to December in 2018, 2019, and 2020 (to reflect the height of the COVID-19 pandemic and account for seasonal changes in disease activity). Our primary outcome was the percentage of no-shows for rheumatology clinic appointments. Our secondary outcome was laboratory use adherence, which was defined as lupus-specific blood and urine studies conducted within 30 days of the scheduled appointment. Covariates included age, sex, race, ethnicity, and SLE-related prescription drugs. RESULTS: We included 156 patients with SLE in our analysis. Most were female (n=141, 90.4%), were Hispanic (n=75, 49.3%), and had a median age of 43 (range 19-80) years. In 2020, the no-show rate for telemedicine was 5.5% (10/182) compared to a no-show rate of 16.2% (31/191) for in-person visits (P=.002). After multivariable adjustment for covariates, the odds of no-show were lower for telemedicine visits (odds ratio 0.39, 95% CI 0.20-0.77). There were no differences in adherence to laboratory testing. CONCLUSIONS: Telemedicine visits had decreased odds of no-shows without difference in laboratory testing adherence after adjustment for covariates. More research is needed to determine the clinical impact of telemedicine on patients with SLE.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».