Resource Use Patterns in US Telehealth Services: Machine Learning and Clustering Analysis Across 4 Specialties
Notice bibliographique
Résumé
Background The expansion of telehealth services, particularly during the COVID-19 pandemic, has transformed health care delivery in the United States. Telehealth promises greater access and resource efficiency by reducing wait times and appointment lengths, especially in specialties like psychiatry, behavioral health, bariatrics, and sleep medicine. However, disparities exist in adoption based on demographics, geography, and socioeconomic status, raising concerns about equitable access and optimal resource use. Objective This study aims to evaluate how telehealth impacts health care resource use across 4 specialties by examining 2 key metrics: patient-to-provider ratios and appointment durations. It seeks to understand how factors such as patient demographics, facility characteristics, and social determinants influence telehealth adoption and efficiency using a national dataset spanning from 2018 to 2023. Methods We analyzed a deidentified dataset from Epic Cosmos, covering outpatient visits across 48 US states (2018-2023). After data preprocessing and feature engineering, we applied 3 machine learning (ML) models (random forest, extreme gradient boosting, and deep neural networks) to predict resource use. Using the model performing the best, feature importance was assessed using Shapley Additive Explanations values. We then used k-means clustering to group facilities into clusters per specialty. Comparative analyses were conducted to evaluate differences in use among clusters, during and after the pandemic. Results Telehealth use peaked in 2020 and has remained above prepandemic levels since then. In 2018-2023, telehealth adoption reached 36.9% (4,543,021/12,311,710) in psychiatry, 23.9% (5,321,099/22,264,013) in behavioral health, 21.2% (924,333/4,360,061) in bariatrics, and 16.8% (851,803/5,070,256) in sleep medicine. Telehealth visits were consistently shorter than office visits (mean reduction 12.24 minutes; SD 3.33 minutes; P=.18), while patient-to-provider ratios varied significantly across specialties. Among ML models, extreme gradient boosting regression achieved the best performance (patient-to-provider ratios: R2=0.96-0.99; appointment durations: R2=0.61-0.69). Shapley Additive Explanations analysis identified visit type, telehealth use, facility size, rurality, and Social Vulnerability Index household vulnerability as the strongest predictors. Comparative analyses showed significant differences across clusters (all P<.05). Conclusions Telehealth has become a sustainable component of health care, enhancing access and efficiency across both rural and urban areas. However, its impact varies across specialties and regions, highlighting the need for targeted strategies such as staffing support for vulnerable populations, infrastructure investments in rural facilities, and reimbursement models that reflect telehealth’s resource use. This study provides robust evidence from ML and clustering analyses, demonstrating how telehealth shapes resource use and offering actionable insights for equitable and sustainable integration.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».