Impact of Question Content on e-Consultation Outcomes
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: By facilitating direct communication of primary care providers (PCPs) with specialists for advice, electronic consult (e-consult) services can reduce the need for patients to wait for and travel to face-to-face consultations with specialists. An association between avoiding face-to-face referrals using an e-consult service and specific content within each e-consult has not been rigorously explored. MATERIALS AND METHODS: Cases submitted to the Champlain Building Access to Specialists through eConsultation service between April 2011 to May 2013 were evaluated. Factors analyzed include question type (e.g., diagnosis or management), formulation (if interventions or outcomes were specified), and the addressed specialty. An avoided referral was present if the PCP indicated so in a mandatory close-out survey. A discrepancy was present if the PCP made a referral when the specialist did not indicate one was necessary, or if the PCP did not request a referral despite the specialist recommending one. RESULTS: There were 426 (40%) avoided referrals among 1,055 cases analyzed. Questions associated with the highest avoided referral rates included ones pertaining to diagnosis (44%), nonspecific requests for direction (44%), questions without specified interventions or outcomes (47%), and dermatology cases (49.5%). Specialists agreed on the need for a referral in 82% of cases, with most discrepancies due to the PCP making a referral without the specialist recommending one. CONCLUSIONS: Referral outcomes are associated with the type of question being asked, the formulation of each question, and the specialty being addressed. Discrepancies among PCPs and specialists regarding which patients require face-to-face referrals may help identify knowledge gaps and guide professional development.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 découle