Investigating the Use of Telemedicine by Health Care Providers to Diagnose and Manage Patients With Musculoskeletal Disorders: Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Access to care is a major challenge for patients with musculoskeletal disorders (MSKDs). Telemedicine is one of the solutions to improve access to care. However, initial remote diagnosis of MSKDs involves some challenges, such as the impossibility of touching the patient during the physical examination, which makes it more complex to obtain a valid diagnosis. No meta-analysis has been performed to date to synthesize evidence regarding the initial assessment including a physical evaluation using telemedicine to diagnose patients with MSKDs. OBJECTIVE: This study aims to appraise the evidence on diagnostic and treatment plan concordance between remote assessment using synchronous or asynchronous forms of telemedicine and usual in-person assessment for the initial evaluation of various MSKDs. METHODS: An electronic search was conducted up to August 2023 using terms related to telemedicine and assessment of MSKDs. Methodological quality of studies was assessed with the Quality Assessment of Diagnostic Accuracy Studies 2 tool. Random-effect model meta-analyses were performed. The Grading of Recommendations, Assessment, Development, and Evaluations framework was used to synthesize the quality and certainty of the evidence. RESULTS: A total of 23 concordance studies were eligible and included adult participants (N=1493) with various MSKDs. On the basis of high certainty, pooled κ and prevalence-adjusted and bias-adjusted κ for the diagnostic concordance between remote and in-person assessments of MSKDs were 0.80 (95% CI 0.72-0.89; 7 studies, 353 patients) and 0.83 (95% CI 0.76-0.89; 6 studies, 306 patients). On the basis of moderate certainty, pooled Gwet AC1 for treatment plan concordance between remote and in-person assessments of MSKDs was 0.90 (95% CI 0.80-0.99; 2 studies, 142 patients). CONCLUSIONS: The diagnostic concordance for MSKDs is good to very good. Treatment plan concordance is probably good to excellent. Studies evaluating the accuracy to detect red and yellow flags as well as the potential increase in associated health care resources use, such as imaging tests, are needed.
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 | 0,021 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,017 | 0,039 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».