Implementing virtual primary care: experiences, perspectives and identification of improvement opportunities in an academic primary care setting
Notice bibliographique
Résumé
BACKGROUND: One of the biggest changes to primary care triggered by the COVID-19 pandemic was the rapid integration of virtual care (VC). VC offers benefits to patients and providers but implementation presents challenges. METHODS: This study is a secondary analysis of a 2021 quality improvement (QI) driven environmental scan comprising a survey and 1:1 interviews, at the Department of Family and Community Medicine at the University of Toronto. The scan aimed to understand the current and desired future use of VC at the 14 sites. RESULTS: The survey was completed by all sites between July and October 2021 and 1:1 interviews were conducted between October and November 2021 with 12 of the 14 site/QI leads. VC was seen as convenient and flexible, and as enabling continuity of care for patients who could not easily attend in-person. Factors enabling implementation of VC included leadership at both the system and local level; a shared understanding of VC on the part of providers, patients and clinical staff; and technological and administrative readiness. Challenges included the need for triage algorithms; incongruent expectations of VC by patients and providers; technology issues; increased administrative burden; and impacts on medical education. All anticipated that some degree of VC would continue in future. CONCLUSIONS: VC offered benefits but it also impacted clinical routines and administrative processes creating new forms of work for clinicians and staff. Patient education is needed to ensure that their expectations of VC align with those of providers. Research and QI efforts are required to optimise the use of VC in primary care.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».