XiaoMi-AI文件搜索系统
World File Search SystemTelehealth
演示缓解：演示人工智能为远程医疗提供支持的虚拟协助：心理健康案例
疫情过后，人工智能 (AI) 对心理健康护理的支持变得越来越重要。提供充分护理所需的重大挑战的广度和复杂性包括：(a) 个性化的患者理解，(b) 安全约束和医学验证的聊天机器人患者互动，以及 (c) 使用聊天机器人与患者互动支持持续基于反馈的设计改进。我们提出了 Alleviate，这是一个聊天机器人，旨在通过个性化护理帮助患有心理健康问题的患者，并帮助临床医生更好地了解他们的患者。Alleviate 借鉴了一系列公开的临床有效的心理健康文本和数据库，使 Alleviate 能够做出医学上合理且明智的决策。此外，Alleviate 的模块化设计和可解释的决策有助于其设计进行稳健且持续的基于反馈的改进。在本文中，我们解释了 Alleviate 的不同模块，并提交了一个简短的视频来展示 Alleviate 的功能，以帮助患者和临床医生更好地相互理解，从而促进最佳护理策略。
使用语音生物标记物对成年远程医疗呼叫者的自杀风险进行分类：回顾性观察研究
背景：人工智能有可能革新目前用于检测自杀迫在眉睫的风险的做法，并解决传统评估方法的缺陷。目标：在本文中，我们试图根据澳大利亚 2 家远程医疗咨询服务机构拨打的大量（n=281）电话，将短片段（40 毫秒）的语音根据自杀低风险和迫在眉睫的风险自动分类。方法：本研究纳入了来自澳大利亚 On The Line（n=266，94.7%）和堪培拉 000 紧急服务（n=15，5.3%）的共 281 条帮助热线电话录音。当呼叫者确认意图、计划和手段的可用性时，对迫在眉睫的自杀风险进行编码；风险级别由响应咨询师评估，并由临床研究团队使用哥伦比亚自杀严重程度评定量表（=5/6）重新评估。低自杀风险在没有意图、计划和手段的情况下通过哥伦比亚自杀严重程度量表评分（=1/2）进行编码。预处理包括语音信号的标准化和预强调，而语音生物特征则使用统计语言 r 提取。使用套索回归确定候选预测因子。使用带有样条函数以解释非线性的广义加性混合效应模型将每种语音生物标记物评估为自杀风险的预测因子。最后，使用逐个分量的梯度增强模型根据预编码的自杀风险评级对每通通话记录进行分类。结果：总共将 77 个迫在眉睫的风险呼叫与 204 个低风险呼叫进行了比较。此外，从每个语音帧中提取了 36 个语音生物标记物。呼叫者性别是一个显着的调节因素（β =–.84，95% CI –0.85，-0.84；t =6.59，P <.001）。候选生物标记物减少到 11 个主要标记物，并为男性和女性开发了不同的模型。使用留一交叉验证，确保没有一个呼叫者的语音帧同时出现在训练和测试数据集中，精度或召回曲线下面积达到 0.985（95% CI 0.97, 1.0）。gamboost 分类模型正确分类了 469,332/470,032（99.85%）个语音帧。结论：本研究展示了在生态有效环境中对即将发生的自杀风险进行客观、有效和经济的评估，并可能应用于实时评估和响应。试验注册：澳大利亚新西兰临床试验注册中心 ACTRN12622000486729；https://www.anzctr.org.au/ACTRN12622000486729.aspx
使用家庭远程医疗降低急诊室心力衰竭患者的住院入院率
建议引用推荐引用Ashby，M。（2024）。使用家庭远程医疗降低急诊室心力衰竭患者的住院入院率。[圣奥古斯丁大学健康科学大学博士学位]。SOAR @美国：学生学术项目集合。https://doi.org/10.46409/sr.ghjc4192
通过实施远程医疗教育和筛查计划，减少30天心力衰竭医院再入院率
该项目是由USF奖学金的所有论文，capstones and Capstones and Projects带给您的，并开放访问：数字存储库 @ gleeson Library | Geschke中心。已被USF奖学金授权管理员纳入护理医生（DNP）项目：数字存储库 @ gleeson图书馆| Geschke中心。有关更多信息，请联系repository@usfca.edu。
蒙特利尔认知评估 (MoCA) 的远程医疗等效性：埃默里健康大脑研究 (EHBS) 的结果
尽管远程医疗视频认知评估在 COVID-19 大流行之前就已存在，1,2但为最大限度减少 COVID 传播而设计的限制措施在许多方面限制了面对面 (F2F) 临床护理，从而加速了许多临床方法的修改以用于远程医疗。3,4 远程测试有许多优势，包括减少旅行时间和增加获得当地以外临床专业知识的机会。5 但是，实际的远程医疗考虑因素包括家庭技术和互联网接入的充分性，以及计算机熟练程度和电子媒体的熟悉程度。考虑到管理形式的差异、与视频评估相关的任务参与度可能下降，以及在控制较差的家庭测试环境中进行测试可能会产生未知影响（可能需要看护者支持），因此也存在疑问，远程医疗结果是否可以严格等同于 F2F 诊所评估 6。视频远程医疗认知评估被认为通常是可靠和有效的。 4,7,8 由于为应对 COVID-19 大流行而迅速实施视频远程医疗，尽管有几项系统评价报告了远程医疗的临床效用，但远程医疗与标准管理方法等效的经验支持有限。9,10 远程医疗管理用于认知筛查措施，包括简易精神状态检查 11 和蒙特利尔认知评估 12
开发基于机器学习的远程医疗自动患者参与度评估器：算法开发和验证研究
背景：患者参与是行为健康护理中一项关键但具有挑战性的公共卫生优先事项。在远程医疗过程中，医疗保健提供者需要主要依靠口头策略而不是典型的非口头提示来有效地吸引患者。因此，典型的患者参与行为现在有所不同，并且医疗保健提供者对远程医疗患者参与的培训不可用或非常有限。因此，我们探索了机器学习在估计患者参与度中的应用。这可以帮助心理治疗师与患者建立治疗关系，并在远程心理健康会话期间增强患者对心理健康状况治疗的参与度。目标：本研究旨在检查机器学习模型在远程心理健康会话期间估计患者参与度的能力，并了解机器学习方法是否可以支持客户和心理治疗师之间的治疗参与。方法：我们提出了一种基于多模态学习的方法。我们独特地利用了心理学文献中经常使用的情感和认知特征对应的潜在向量来了解一个人的参与度。鉴于医疗保健中存在的标记数据约束，我们探索了一种半监督学习解决方案。为了支持远程医疗类似技术的开发，我们还计划发布一个名为“临床分析中的多模式参与检测”（MEDICA）的数据集。该数据集包括 1229 个视频片段，每个片段时长 3 秒。此外，我们还展示了针对该数据集进行的实验，以及真实世界的测试，以证明我们方法的有效性。结果：与最先进的参与度估计方法相比，我们的算法报告的均方根误差提高了 40%。在我们对 20 名患者心理治疗过程中的 438 个视频片段进行的真实世界测试中，与之前的方法相比，心理治疗师的工作联盟清单得分与我们的平均和中位参与度估计值之间存在正相关。这表明所提出的模型有可能提供与心理治疗师使用的参与度测量非常吻合的患者参与度估计值。结论：患者参与度已被确定为改善治疗联盟的重要因素。然而，在远程医疗环境中，对这一点进行测量的研究有限，因为治疗师缺乏做出自信评估的传统线索。所开发的算法试图在机器学习框架内建立以人为本的参与建模理论，以准确可靠地估计远程医疗中患者的参与程度。结果令人鼓舞，并强调了将心理学和机器学习结合起来以了解患者参与的价值。进一步
用于2型糖尿病的自我管理和与健康专业人士的监测的复杂远程医疗干预措施的关键数字工具功能
1加拿大蒙特利尔大学蒙特利尔大学康复学院2蒙特罗坦大都会蒙特罗口大都会跨学科的跨学科中心，蒙特利尔大学物质抗辩大学的重新辩护研究所加拿大QC魁北克大学魁北克大学5号营养学院，加拿大QC，QC，加拿大魁北克6蒙特利尔大学中心6研究中心，QC，QC，加拿大QC，加拿大7紧急家庭和医学系，QC蒙特利尔市蒙特利尔市，QC，QC，加拿大QC 8号
MM13452-医疗保险医师费时间表最终规则摘要：CY 2024
•通过远程医疗提供服务的远程医疗范围的临时扩展，包括在美国的任何网站，包括在远程医疗服务时，包括人的家，包括一个人的家•远程医疗从业人员的定义扩展，以包括合格的职业治疗师（OTS），仪式（PTSS），言论治疗师（PTSS），言论家（PTS），•言论家（PTS），•言论家（PTS），•言论家（PTS），•言论家（PTS），•言论家（PTS），•言论家（PTS），•言论家（PTS），•言论家（PTS），•言论家（PTS）•农村卫生诊所（RHCS）和联邦资格卫生中心（FQHC）使用为公共卫生紧急情况（PHE）（PHE）建立的方法提供的方法•在6个月内延迟与医师或从业者进行亲自访问的要求，并在启动精神健康服务的启动和秘密的秘密介绍，以及在秘密的秘密服务中，以及在秘密的确定内部，以及范围内的秘密介绍，并在此期间确定秘密介绍。 Medicare Telehealth服务列表中的远程医疗服务的持续报道和支付（截至2020年3月15日），直到2024年12月31日•添加心理健康顾问（MHCS）以及婚姻和家庭治疗师（MFTS）作为遥远的现场从业者，以提供远程医疗服务
XSL•fo
背景：自从19日大流行以来，远程医疗在美国的门诊环境中被广泛采用。尽管在不同的环境中公开接受远程医疗访问，但从成年人的角度广泛采用远程医疗后，远程医疗是2型糖尿病（T2D）及其提供者。目的：本研究旨在确定糖尿病专业诊所中T2D患者使用远程医疗保持护理连续性的障碍和促进因素。Methods: As the second phase of a multimethod study to understand missed appointments among adults with T2D, we conducted semistructured, individual, in-depth phone or Zoom interviews with 23 adults with T2D (14/23, 61% women; mean age 55.1, SD 14.4, range 35-77 years) and 10 providers from diabetes clinics in a tertiary academic medical center in Maryland.使用研究团队的主题内容分析对访谈进行了音频记录，转录和分析。结果：具有T2D及其提供商的成年人通常报告了远程医疗访问糖尿病护理的积极经历，并带来了一些技术挑战，导致需要面对面就诊。结论：远程医疗通常在糖尿病护理中积极接受，并且可能持续的挑战可能损害糖尿病护理的质量。远程医疗技术和葡萄糖数据平台必须结合用户体验和以用户为中心的设计，以优化在糖尿病护理中的远程医疗使用。临床实践需要考虑远程医疗访问的新工作流程，以促进更轻松的后续时间表和实验室完成。我们确定了以下3个主题：（1）“远程医疗访问的感知益处”，例如便利性，时间和财务效率，以及与看护人的独立性，患者和提供者共享的福利； （2）“远程医疗访问的技术挑战”，例如数字健康素养的差异，不稳定的互联网连接引起的挫败感以及共享葡萄糖数据的困难，患者和提供者所分享的挑战； （3）“远程医疗访问对糖尿病护理质量的影响”，包括缺乏糖尿病的质量指标，需求和亲自访问的偏好，主要是从提供者的角度与某些患者的投入共享。未来研究糖尿病护理中面对面和远程医疗访问之间的理想平衡是有必要提高糖尿病护理质量并优化糖尿病结果的。政策灵活性也应考虑为所有T2D患者扩大获得糖尿病护理的机会。