Waiting Lists for Radiation Therapy: A Case Study
Notice bibliographique
Résumé
BACKGROUND: Why waiting lists arise and how to address them remains unclear, and an improved understanding of these waiting list "dynamics" could lead to better management. The purpose of this study is to understand how the current shortage in radiation therapy in Ontario developed; the implications of prolonged waits; who is held accountable for managing such delays; and short, intermediate, and long-term solutions. METHODS: A case study of the radiation therapy shortage in 1998-99 at Princess Margaret Hospital, Toronto, Ontario, Canada. Relevant documents were collected; semi-structured, face-to-face interviews with ten administrators, health care workers, and patients were conducted, audio-taped and transcribed; and relevant meetings were observed. RESULTS: The radiation therapy shortage arose from a complex interplay of factors including: rising cancer incidence rates; broadening indications for radiation therapy; human resources management issues; government funding decisions; and responsiveness to previous planning recommendations. Implications of delays include poorer cancer control rates; patient suffering; and strained doctor-patient relationships. An incompatible relationship exists between moral responsibility, borne by government, and legal liability, borne by physicians. Short-term solutions include re-referral to centers with available resources; long-term solutions include training and recruiting health care workers, improving workload standards, increasing compensation, and making changes to the funding formula. CONCLUSION: Human resource planning plays a critical role in the causes and solutions of waiting lists. Waiting lists have harsh implications for patients. Accountability relationships require realignment.
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 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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».