In-Person and Virtual Clinic Visit Frequency to Rheumatologists for Rheumatoid Arthritis at an Academic Medical Center Before, During, and After COVID Lockdown
Notice bibliographique
Résumé
INTRODUCTION: This study aimed to describe outpatient visit volume in a subspecialty clinic before, during, and after COVID lockdown. METHODS: We assessed monthly in-person and virtual visit volume (telephone-only or video) of 257 patients with rheumatoid arthritis (RA) at one academic center before, during, and post COVID lockdown, November 2018 to September 2021. The primary outcome was monthly visit volume to a rheumatologist. Visit volume, visit type (in-person vs. virtual), and annual visit frequency per patient were assessed. Piecewise Poisson regression models were constructed to examine visit volume trends. Predictors of patient's visit volume before and after the lockdown were examined using multivariable linear regression. RESULTS: Median patient age was 58 years; 84% were female; 82% used any disease-modifying anti-rheumatic drug (DMARD), and 62% used a targeted or biologic DMARD. Visit volume was stable 18 months prior to the COVID pandemic [slope 1.00 (95% confidence interval (CI) 0.99-1.01)] and increased at a rate of 2% per month post-lockdown [1.02 (95% CI 1.01-1.03)]. In-person visit volume was greatly reduced during the lockdown, with 61% virtual (51% video, 10% telephone). In the 18 months after lockdown, visit volume rebounded to pre-pandemic levels and continued to increase, with 11% virtual. Older age, serologic status, use of combination DMARDs, and non-steroidal anti-inflammatory drug (NSAID) use predicted greater visit volume during the pre-lockdown period. No variables predicted visit volume post-lockdown. CONCLUSION: While COVID caused a huge disruption in rheumatology practice, visit volume for RA rebounded in one American academic center, with an increasing slope in visit volume after lockdown.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».