MétaCan
Menu
Retour à la cohorte
Enregistrement W4415668272 · doi:10.2196/57021

Use of a Specialist Telephone Consultation Line for Long COVID in Primary Care in British Columbia: Retrospective Descriptive Quality Improvement Study

2025· article· en· W4415668272 sur OpenAlexaffvenueabout
Saniya Kaushal, Jastinder Bhandal, Peter Birks, Jesse Greiner, Adeera Levin, Michelle Malbeuf, Zachary Schwartz

Notice bibliographique

RevueJMIRx Med · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensUniversity of British ColumbiaUniversity of TorontoProvincial Health Services Authority
Organismes subventionnairesnon disponible
Mots-clésPrimary careCoronavirus disease 2019 (COVID-19)Quality (philosophy)Quality managementPrimary health careTelemedicinePublic healthHealth care

Résumé

récupéré en direct d'OpenAlex

Background: Long COVID (post-COVID-19 condition) continues to challenge primary care. To support family physicians in British Columbia, the general internal medicine (GIM) COVID-19 Rapid Access to Consultative Expertise (RACE) line was launched in August 2020 to provide real-time specialist advice. Objective: This quality improvement study aimed to evaluate the implementation and utilization of the GIM-COVID-19 Long-Term Sequelae RACE line in British Columbia. Specifically, it sought to characterize the demographics of patients involved in RACE consultations, identify the most common themes and clinical queries presented by primary care providers, and assess how usage patterns evolved over time during the COVID-19 pandemic. Methods: We conducted a retrospective descriptive analysis of 149 RACE line call summaries between August 2020 and June 2021. Six calls were excluded due to insufficient information, such as incomplete documentation or absence of a clear COVID-19-related question. Because the original extraction notes are no longer available, further details about these calls cannot be provided, leaving 143 eligible calls. Data extracted included patient age, sex, geographical location, symptom type, and timing of symptom onset post-COVID-19 infection. Calls were categorized by symptom duration (acute: <2 wk, subacute: 2-12 wk, chronic: >12 wk), thematic content (respiratory, fatigue, neurological, etc), and query type (symptom management, return-to-work, vaccination, etc). Data were coded independently by two reviewers using a standardized spreadsheet and predefined codebook. Discrepancies were resolved through discussion. Descriptive statistics summarized the findings. Results: Many calls involved female patients (91/143, 64%), with the most common age group being 40-49 years (32/113, 28%). Most calls came from Greater Vancouver (35/83, 42%) and the Fraser Valley (29/83, 35%). Subacute symptoms (52/149, 35%) and vaccination-related concerns (29/149, 19%) were the most common inquiry types. Symptom-related inquiries accounted for 92 of 143 calls (64%), with 253 symptoms documented overall. Respiratory symptoms were most common (100/253, 40%), especially shortness of breath (35 calls), cough (26), and fatigue (23). Call volumes peaked from January to June 2021, coinciding with the provincial vaccine rollout. Conclusions: The GIM-COVID-19 Long-Term Sequelae RACE line served as a critical early support system for primary care providers as the long COVID landscape evolved. This quality improvement study emphasizes the value of rapid access and specialist-informed consultation tools during emerging public health challenges. The trends ascertained may inform future health system responses, particularly when designing more scalable, interdisciplinary models to support primary care in managing complex chronic conditions.

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 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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,575
Score d'incertitude au seuil0,930

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,049
Tête enseignante GPT0,378
Écart entre enseignants0,329 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJMIRx MedMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207