MétaCan
Menu
Retour à la cohorte
Enregistrement W4409302957 · doi:10.1186/s41687-025-00872-7

Expert consensus on implementing patient-reported outcomes in telehealth: findings from an international Delphi study

2025· article· en· W4409302957 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Patient-Reported Outcomes · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensMcGill University
Organismes subventionnairesUniversität Greifswald
Mots-clésTelehealthDelphi methodDelphiMedical educationMedicineNursingTelemedicinePolitical scienceHealth careComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Using Patient Reported Outcomes (PROs) in clinical care can reduce healthcare service utilization by improving the quality of care. Telehealth, defined by WHO, as the use of "telecommunications and virtual technology to deliver healthcare outside of traditional healthcare facilities", can facilitate a dynamic dialogue between patients and healthcare providers for timely interventions. With the increased use of telehealth facilitated by the infrastructure development during the COVID-19 pandemic, there is an opportunity to utilize telehealth for PRO implementation and a need for guidelines for using PROs via telehealth. This study aimed to generate expert consensus on the utilization of PROs in telehealth. METHODS: Delphi methodology was used to achieve consensus among international experts with a predetermined consensus threshold of 70%. Experts were mainly identified through the ISOQOL Clinical Practice SIG. Surveys asked a combination of structured and open-ended questions about the conceptualization of PROs in telehealth, its applicability, target population, implementation challenges and successful strategies, evaluation approaches, and the essential stakeholders. Data from each round were iteratively analyzed using descriptive statistics (quantitative data) and content analysis (qualitative data). RESULTS: Out of 24 invitations sent, 17 completed the first round, and 11 completed all three rounds. Respondents were equally distributed between clinicians and researchers and 70% had used PROs via telehealth before the pandemic. Consensus was achieved and some of the relevant aspects are monitoring patients for applicability; individuals with chronic diseases as the target population; resources, staff buy-in, and clinical workflow as the implementation challenges and strategies; utilization metrics for evaluation; and clinicians and patients as essential stakeholders. Though consensus was not reached for the conceptualization of PROs using telehealth, the modified FDA definition of telehealth with the addition of its purpose, and the mode of administration was the most acceptable version. See attached table. CONCLUSION: The expert consensus achieved provides important insights from an international perspective on how PROs are currently used via telehealth and the needed implementation support to advance their expansion in research and practice. Lack of consensus on the definition of PROs in telehealth signals the continued rapid evolution of their use and the need for additional research.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,413
Écart entre enseignants0,365 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle