Telemedicine Utilization in Tertiary, Specialized, and Secondary Hospitals in Thailand
Notice bibliographique
Résumé
Introduction: COVID-19 has accelerated the adoption of telemedicine for counseling, follow-up examination, and treatment purposes. The official guidelines in Thailand were launched to regulate or frame the protocols for health care professions and teams in different organizations. Objectives: To explore the trend of telemedicine utilization in selected hospitals in Thailand and to understand the characteristics of patients who used telemedicine from 2020 to 2023. Methods: This retrospective secondary data analysis was conducted in four hospitals in Thailand: two tertiary care (T1 and T2) hospitals, one secondary care (SN) hospital, and one specialized (SP) hospital. Data were routinely collected when services were provided and were categorized into telemedicine outpatient department (OPD) visits or onsite OPD visits. The data included demographic information (age, sex), date and year of service, location (province and health region), and primary diagnosis (using International Statistical Classification of Diseases and Related Health Problems 10th Revision codes). Descriptive analysis was conducted using R and STATA software. Results: < 0.001). Conclusion: The situation during the COVID-19 pandemic and the transition to the post-COVID-19 era impacted telemedicine utilization, which could support national monitoring and evaluation policies. However, further studies are needed to explore other aspects, including changes in telemedicine utilization over time for longer timeframes, effectiveness of telemedicine, and consumer satisfaction.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».