P.013 Accuracy of clinical assessments with virtual care in outpatient neurological setting
Notice bibliographique
Résumé
Background: Virtual neurological assessments were increasingly used and an important viable option during the COVID-19 pandemic. However, the accuracy of such assessments is unknown. Methods: Clinical records were reviewed in a predominant multiple sclerosis outpatient clinic at an academic teaching hospital from March 23 rd 2020 to March 23 rd 2021 during the COVID-19 pandemic. Patients assessed during this period were analyzed with an initial virtual assessment compared to subsequent in person evaluations. Results: 1036 patients were included. 27.8% (n=288) of consultations were video and 72.2% (n=748) telephone. A total of 13.8% (n=143) of virtual consultations revealed clinical disparities, specifically 13.5% (n=39) video and 13.9% (n=104) telephone consultations. Of all the 1036 cases, 2.32% (n=24) patients stated they were stable but significant changes were seen on the exam, changing the clinical impression. 11.5% (n=119) stated they were deteriorating virtually but not confirmed when examined in person, with an alternative explanation found. Conclusions: Virtual assessments were accurate in over 85% of the outpatient neurological cases during the pandemic. However, it should be noted that the in person neurological exam led to a change in clinical opinion in 13.8% of assessments. 2.32% patients described clinical stability, but different clinical management plans resulted when significant exam findings were identified.
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 | 0,005 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».