Engagement With and Acceptability of Telephone-based Telemedicine in Addiction Care in Vancouver, Canada, 2020–2023
Notice bibliographique
Résumé
Objectives: Telemedicine-based addiction medicine care expanded during the COVID-19 pandemic. We characterize the engagement with and acceptability of these services in Vancouver, Canada. Methods: Using longitudinal self-report data from participants who were prescribed medications to address cravings and withdrawal of any substances in 2020–2023 in 3 cohorts of community-recruited people who use drugs in Vancouver, we performed a multivariable generalized estimating equation analysis to identify factors associated with telemedicine use for substance use medications in the past 6 months (vs in-person care). We also explored participant perceptions of their telemedicine engagement. Results: Among 871 eligible participants, 428 (49.1%) were prescribed substance use medications through telemedicine at the first interview during the study period. Compared with those who did not use telemedicine, telemedicine use in a 6-month period was positively associated with continuing to be prescribed substance use medications from the previous 6-month period (adjusted odds ratio [AOR]=1.53; 95% CI: 1.11–2.11) and negatively associated with homelessness (AOR=0.71, 95% CI: 0.54–0.92) and daily opioid use (AOR=0.78, 95% CI: 0.64–0.94). With each subsequent assessment, participants were less likely to have used telemedicine (AOR=0.86, 95% CI: 0.81–0.91). Of the 255 participants who preferred telemedicine (59.6%), 214 (83.9%) cited convenience as the reason. Conclusions: Telemedicine use was preferred to in-person care among most of our participants, but less likely among participants showing markers of structural vulnerability and higher intensity substance use. Future research should investigate the efficacy of telemedicine versus in-person addiction medicine 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».