Virtual neurology survey: Factors influencing virtual care use among Ontario neurologists
Notice bibliographique
Résumé
Background and objectives: Current virtual care guidance lacks specialty-specific considerations. Neurological care is unique due to its reliance on physical examination and complex patient population. Our aim was to determine which factors impact virtual care suitability in neurology, virtual care adoption patterns, and satisfaction with virtual care among neurologists. Methods: Surveys were sent to Ontario neurologists through a shared email from September to November 2021. The survey consisted of four parts: demographics, virtual care adoption patterns, factors influencing virtual care use, and physician satisfaction with virtual care. Results: Sixty-six of 380 (17.4%) neurologists completed the survey. The pandemic resulted in a substantial increase in virtual care use, from 1.6% of all ambulatory visits in 2019 to 70.6% in 2020. Video teleconferencing was considered more appropriate across a broader range of presentations than phone visits, with both methods more suited to follow-ups. Neurologists were largely satisfied with virtual care except for the virtual neurological examination. The neurological presentations identified as least amenable to virtual consultation were movement disorders, limb weakness, gait/balance changes, and vision changes. Four presentations were felt to be most amenable to virtual care: sleep disorders, seizure, headache, and dizziness/syncope. Factors that were felt to reduce virtual care suitability included discussion of sensitive topics and acute presentations. Conclusion: Neurologists were satisfied with virtual care as a means of providing outpatient care, though the specific reason for referral influenced perceived appropriateness. These results can inform the basis of the development of consensus guidelines for virtual care provision in neurology.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 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 ».