Patterns of referral in a Canadian primary care electronic healthrecord database: retrospective cross-sectional analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Databases derived from primary care electronic health records (EHRs) are ideally suited to study clinical influences on referral patterns. This is the first study outside the United Kingdom to use an EHR database to describe rates of referral per patient from family physicians to specialists. OBJECTIVE: To use a primary care EHR database to describe referrals to specialist physicians; to partition variance in referral rates between the practice and patient levels. METHODS: Retrospective cross-sectional analysis of de-identified EHRs of 33 998 patients from 10 primary care practices in Ontario, Canada. The study cohort included all patients who visited their family physician 1 April 2007 to 31 March 2008 (n ≥ 24856). Specialist referrals for each patient were counted for 12 months following their index visit. Rates of referral were compared by sex, age, number of office visits, practice location and specialist type using t-tests or Pearson's correlation. Variance partitioning determined the proportion of variance in the overall referral rate accounted for by the practice and patient levels. RESULTS: In total, 7771 patients (31.3%) had one or more referrals. The overall referral rate was 455/1000 patients/year (95% CI, 444-465). Rates were higher for females, older patients and rural practices. The referral rate correlated with the number of family physician office visits. Ninety-two percent of the total variance in referral rates was attributable to the patient (vs. practice) level. CONCLUSIONS: A Canadian primary care EHR database showed similar patterns of referral to those reported from administrative databases. Most variance in referral rates is explained at the patient level.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle