Telemedicine approaches for patients with cirrhosis, including vulnerable populations: A narrative review
Notice bibliographique
Résumé
Background: The COVID-19 pandemic accelerated the adoption of telemedicine in health care. However, telemedicine in cirrhosis care remains underexplored. In particular, patients with alcohol use disorder (AUD) and hepatitis C virus (HCV) may be overrepresented among vulnerable populations, but have limited access to telemedicine. Method: We performed a literature review on telemedicine approaches for patients with cirrhosis as well as patients with AUD and HCV with or without cirrhosis. Peer-reviewed studies involving direct patient-physician interactions were searched on PubMed and Google Scholar. Keywords used included cirrhosis, AUD, HCV, and telemedicine. Abstracts were screened. Full texts were reviewed. Results: Among patients with cirrhosis, videoconferencing at satellite sites shortened the time from liver transplant referral to evaluation and listing. Telephone calls were less effective, especially for those with decompensated cirrhosis. Among patients with AUD, videoconferencing at satellite sites was effective, with patients being five times more likely to be prescribed medications. Treatment programs involving videoconferencing and telephone calls demonstrated retention rates above 50%. Among patients with HCV, videoconferencing was effective, with high (>90%) sustained virological response rates. Across all approaches, concerns raised included audiovisual quality, patient privacy, and licensing restrictions. Conclusion: Videoconferencing at satellite sites is most promising if audiovisual quality and other barriers are optimized. Telemedicine may not be appropriate for management of decompensated cirrhosis.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».