How do medical and social contexts affect telemedicine efficiency and quality? A propensity-score matching protocol in Canada’s primary care
Notice bibliographique
Résumé
INTRODUCTION: Telemedicine use has risen significantly since the COVID-19 pandemic. Evidence suggests that the quality of care in telemedicine could be as good as in-person care, but this is likely context-dependent. Expert guidelines have declared the appropriate medical conditions, but often without empirical evidence that grapples with the fundamental information limitations facing telemedicine. We draw on the task-technology fit theory and empirical evidence around human communication to examine how the medical and social contexts affect the efficiency and clinical quality of primary care. METHODS AND ANALYSIS: We will use a population-based dataset from the Canadian province of British Columbia (BC) to inform a quasi-experimental study using propensity score matching (PSM). The treatment group will consist of telemedicine visits from April to December 2022. We will use PSM to create a control group of matched, in-person visits in the same period. We will then use cluster-robust linear regression to identify how specific medical conditions and social contexts are associated with higher rates of prescription, follow-up with primary care providers, emergency department visits and acute care admissions. We plan for the study to take place from 1 August 2025 to 1 August 2026. ETHICS AND DISSEMINATION: The Research Ethics BC has granted approval for this study (H21-02244-A006). Our findings will be shared with patients, healthcare providers and policymakers and disseminated through conference presentations and peer-reviewed publications.
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 | 0,073 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».