Cloud Care: A Feasibility Study of Cloud-Based Care Plans for Children With Medical Complexity
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Cloud-based information systems can support team-based content management of care plans for children with medical complexity (CMC), yet we have limited knowledge of the feasibility of these systems. We aimed to examine the feasibility of Cloud Care, a novel cloud-based longitudinal care plan system, among a diverse group of caregivers and health care providers caring for CMC. METHODS: We conducted a 3-year, prospective, feasibility study between May 2019 and July 2022 in which caregivers and health care providers of CMC received access to Cloud Care for 4 to 32 months. We assessed the practicality, acceptability, demand, integration, and adaptation of the system using a combination of web analytics and survey data. RESULTS: Of those invited, 29 of 43 (67%) CMC/caregivers and 459 of 462 (99.5%) providers enrolled in the study. Among enrolled participants, 90% of primary caregivers and 47% of providers accessed the system at least once (ie, adoption rate), and 59% of primary caregivers and 11% of providers edited content at least once. Of the 11 caregivers and 42 providers who accessed Cloud Care and completed a survey, over 82% of caregivers and 45% of providers perceived the system was easy to use. CONCLUSIONS: Study adoption rates highlight the desire for a curated, dynamic care plan for CMC. Engagement in collaborative management of care plan information in a cloud-based system was promising among caregivers, but low among providers. Optimizing the design, accessibility, and usability of existing information systems to create and collaboratively maintain care plans warrants continued exploration.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».