Follow-through after calling a nurse telephone advice line: a population-based study
Notice bibliographique
Résumé
BACKGROUND: Nurse telephone advice (NTA) lines, a major initiative in primary health care reform, provide symptom triage and health information. Compliance studies utilizing database analysis are frequently limited to a defined population, such as children or Emergency Department (ED) users. OBJECTIVES: To explore caller characteristics associated with following NTA advice to go to the ED, see a health care professional or self-care for Calgary, Canada (population 1 million). METHODS: NTA data were linked with utilization data to assess ED and physician visits following a call. Four nurse advice categories were defined: go to ED, health care provider in 24 hours, health care provider in 72 hours if symptoms persist and self-care. Follow-through was defined based on health care utilization within specified time periods following the call. Logistic regression identified characteristics associated with follow-through of NTA nurse advice; characteristics included age, sex, neighbourhood income, health status, time of call and type of care protocol. RESULTS: Follow-through was highest for self-care advice (83.7%), followed by ED advice (52.3%) and then 24-hour advice (43.2%). Lower follow-through on ED or 24-hour advice was associated with age <4 years, and having lower income, and the opposite was true for self-care advice. Patients with a cardiac complaint had the highest odds of following ED advice. Patients with a gastrointestinal or obstetrics/gynaecology/genitourinary complaint were less likely to follow 24-hour advice. Patients with fever were less likely to follow self-care advice. CONCLUSIONS: Understanding characteristics associated with lower follow-through may help the NTA service to refine its approaches to clients.
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 | 0,000 | 0,003 |
| 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 | 0,001 |
| 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 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 ».