The impact of virtual rheumatology care on patient outcomes and hospital admissions: an ambispective study
Notice bibliographique
Résumé
INTRODUCTION: The impact of virtual care on clinical outcomes, healthcare resources and long-term patient satisfaction will help to inform healthcare providers. We aimed to evaluate the impact of virtual rheumatology care on patients’ clinical outcomes and healthcare utilization. METHODS: Patients who had at least a phone-visit during the early-pandemic and enrolled in a previous survey were invited to attend this study. Through patient surveys and review of medical charts, patients’ clinical outcomes were collected, face-to-face visits in the pre-COVID-19 era (Jan 2019, 2020) and virtual care visits (VCV) in the pandemic period (Mar 2020-June 2021). RESULTS: Within 226 patients, the total number of rheumatology (median (IQR): 2 (2–3) vs. 3 [2, 3, 4], p < 0.001), emergency visits (19% vs. 29.3%, p:0.006) and hospital admissions (12.9% vs. 20.8%, p:0.015) due to any cause were increased during the pandemic, whereas there was no increased ER visit or admissions due to their rheumatological disease. Around 1/3 of patients reported being on more pain medication during the COVID-19-period. Failed VCV, requiring an additional in-person-visit within 60 days, was observed in 23 (8.3%) patients and 25 (3.1%) of 800 VCV. Close to 50% of the patients with failed-VCV were treated with additional steroid therapies during the pandemic. DISCUSSION: Our results support ongoing VCV with no increased healthcare utilization and a low rate of failed visits. These findings suggest that virtual care is here to stay for some patients and in some circumstances, and it is important to establish algorithms for implementing it to healthcare system. Our results provide evidence to inform insurers’ decision-making regarding virtual care.
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 | 0,000 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».