Hausärztliches Telemonitoring bei akuten Erkrankungen am Beispiel von COVID-19 – qualitative Interviewstudie
Bibliographic record
Abstract
Zusammenfassung Hintergrund Weltweit wurde in der COVID-19-Pandemie Telemonitoring zur Betreuung von COVID-19-Erkrankten eingesetzt. Im Projekt COVID-19@Home wurde ein Telemonitoringkonzept unter anderem im hausärztlichen Setting implementiert. Ziel der Arbeit In diesem Artikel werden Erfahrungen, Barrieren und förderliche Faktoren der Implementation des Telemonitoringkonzepts aus hausärztlicher Sicht dargestellt. Material und Methoden Patientenseitig wurde eine App mit bis zu 5 Messgeräten zur Bestimmung der Vitalparameter verwendet. Die Praxen erhielten Zugriff auf ein Webportal mit Einsicht in Messwerte und Symptome sowie Anbindung an eine Supportstruktur. Die ärztlichen Teilnehmenden wurden zu semistrukturierten Interviews eingeladen, die mittels qualitativer Inhaltsanalyse ausgewertet wurden. Ergebnisse Acht Praxen mit 51 Patientinnen und Patienten nahmen teil, 7 der 8 ärztlichen Teilnehmenden willigten in ein Interview ein. Eine telemedizinische Begleitung wurde insbesondere dann als Mehrwert empfunden, wenn sie die Arbeitsbelastung oder die eigene Unsicherheit im Kontakt mit Risikopatientinnen und -patienten verringerte. Zusätzliche Aufgaben durch das Telemonitoring wurden meist außerhalb der Sprechstunden vom ärztlichen Personal durchgeführt. Die Messwerte wurden mindestens täglich überprüft. Datenqualität und -zuverlässigkeit wurden überwiegend als gut wahrgenommen. Die Meinungen zur Anzahl der Messgeräte divergierten jedoch. Diskussion Eine Akzeptanz der Hausärzteschaft für Telemonitoring bei einer Akuterkrankung ist dann zu erwarten, wenn die Integration in den Arbeitsalltag gelingt und zielgruppenspezifische, begleitende Supportstrukturen vorhanden sind. Zur Optimierung der Aufwand-Nutzen-Relation sollten in zukünftigen Studien klare Einschlusskriterien für Patientengruppen, die von einer telemedizinischen Begleitung profitieren, definiert werden.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.018 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".