Utilisation des plateformes de télésoins et de télésuivi durant la pandémie de Covid-19 : une étude transversale des perspectives patients et professionnels de santé
Bibliographic record
Abstract
Contexte : La pandémie de COVID-19 a créé un besoin urgent d’agir pour réduire la propagation du virus et pour diminuer la congestion des services de santé, pour protéger les soignants et les aider à maintenir une qualité et une sécurité des soins satisfaisantes. Les plateformes de télésoins et de télésurveillance sont rapidement apparues comme des solutions potentielles. C’est ainsi qu’au Centre hospitalier de l’Université de Montréal, trois plateformes ont été mises en place : 1) une téléassistance (Telecare-Covid) apportée par des infirmiers et des médecins par des appels téléphoniques ; 2) une application de télésurveillance (CareSimple-Covid) qui permet un suivi à distance du patient à domicile, et; 3) une plateforme de téléconsultation (React- Teleconsultation) pour réaliser des consultations visuelles entre professionnels et patients. Objectif : Le but de cette étude est d’évaluer du point de vue des patients et des professionnels de santé utilisateurs des trois plateformes de télésanté mises en place pour les soins et le suivi à distance des patients atteints par la COVID-19, les dimensions suivantes : (1) la satisfaction sur la qualité et la sécurité des soins prodigués par les plateformes technologiques; (2) l’engagement des patients et le partenariat dans les soins lors de l’utilisation des plateformes technologiques; et (3) le rôle et la pertinence des plateformes technologiques en matière d’utilité, d’avantages et de limites. Méthode : Deux études transversales ont été réalisées entre juillet et septembre 2020. La première a été réalisée auprès de patients ayant utilisé une des deux plateformes Telecare-Covid et CareSimple-Covid. Des questionnaires ont été soumis par téléphone aux patients. Les données collectées ont été analysées à l’aide de statistiques descriptives et d’une analyse de test t. La deuxième s’intéresse à l’utilisation par les professionnels de Telecare-Covid et React- Téléconsultation. Les données ont été recueillies par courrier électronique auprès des professionnels de santé. Nous avons mené une analyse de statistique descriptive grâce au logiciel SPSSã et STATAã. Ainsi, certains tests spécifiques ont été appliqués tels que le t-test et celui de Fisher pour comparer les différentes perceptions des utilisateurs sur certaines dimensions étudiées. Résultats : Parmi les 85 patients qui ont utilisé les deux plateformes, 51 (60 %) ont participé à la première l’étude. Pour la deuxième étude, 1 545 professionnels de la santé ont été invités à participer et 491 (31,8 %) ont répondu au sondage. De manière générale, les résultats des deux études ont montré que les perceptions des utilisateurs quant à la qualité et la sécurité des soins offerts sur les plateformes de télésurveillance étaient positives pour l’ensemble des plateformes technologiques étudiées. Les principales caractéristiques très appréciées par la plupart des utilisateurs, que ce soit chez les patients ou chez les professionnels de santé, sont : (1) la facilité d’accès aux services et la proximité des membres de l’équipe de soins; (2) la convivialité des plateformes; (3) la continuité des soins prodigués et; (4) une gamme diversifiée de services offerts. Patients comme professionnels de santé utilisateurs de ces plateformes dans les deux études ont cependant identifié certaines limites techniques et ont soulevé certains problèmes, tels que l’importance de maintenir le contact humain malgré la distance, la sécurité et la confidentialité des données et la formation. Conclusion : Cette étude suggère que les plateformes de télésanté et de télésurveillance ont été bien accueillies par les patients et les professionnels de santé et les dimensions étudiées ont été globalement perçues positivement par l’ensemble des utilisateurs, même si certaines limites existent dont il faut tenir compte. Ainsi, pour contenir les limites et enjeux identifiés et pour améliorer ces trois plateformes et maximiser leur utilisation, un processus de développement collaboratif incluant patients, professionnels de santé, décideurs et fournisseurs/concepteurs de plateformes numériques est recommandé.
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 | 0.005 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".