Best Practice Guide for Reducing Barriers to Video Call–Based Telehealth: Modified Delphi Study Among Health Care Professionals
Notice bibliographique
Résumé
BACKGROUND: Telehealth has grown, especially during the COVID-19 pandemic, improving access for those in remote or underserved areas. However, its implementation faces technological, practical, and interpersonal barriers. OBJECTIVE: The aim of this study was to identify and consolidate best practices for telehealth delivery, specifically for video call sessions, by synthesizing the insights of health care professionals across various disciplines. METHODS: We first identified 15 common telehealth barriers from a preceding scoping review. Subsequently, a modified Delphi method was used, involving 9 health care professionals (physiotherapists, speech and language therapists, dietitians, and midwife) with telehealth experience in qualitative interviews and 2 iterative rounds of web-based surveys to form consensus. RESULTS: This study addressed 15 telehealth barriers and identified 105 best practices. Among these, 20 are technology-related and 85 concern health care practices. Emphasis was placed on setting up telehealth environments, ensuring safety, building relationships and trust, using nonmanual methods, and enhancing observation and assessment skills. Best practice recommendations for dealing with patients or caregiver skepticism or lack of telehealth-specific knowledge were developed. Further, approaches for unstable networks and privacy and IT security issues were identified. Areas with fewer best practices were the lack of technology skills or technology access, unreliability of hardware and software, increased workload, and a lack of caregiver support. CONCLUSIONS: This guide of best practices serves as an actionable resource for health care providers to navigate the complexities of telehealth. Despite a small participant sample and the potential for profession-specific biases, the findings provide a foundation for improving telehealth services and inform future research for its application and education.
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 | 0,094 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».