The Current State of Electronic Consultation and Electronic Referral Systems in Canada: an Environmental Scan
Notice bibliographique
Résumé
Access to specialist care is a point of concern for patients, primary care providers, and specialists in Canada. Innovative e-health platforms such as electronic consultation (eConsultation) and referral (eReferral) can improve access to specialist care. These systems allow physicians to communicate asynchronously and could reduce the number of unnecessary referrals that clog wait lists, provide a record of the patient's journey through the referral system, and lead to more efficient visits. Little is known about the current state of eConsultation and eReferral in Canada. The purpose of this work was to identify current systems and gain insight into the design and implementation process of existing systems. An environmental scan approach was used, consisting of a systematic and grey literature review, and targeted semi-structured key informant interviews. Only three eConsultation/eReferral systems are currently in operation in Canada. Four themes emerged from the interviews: eReferral is an end goal for those provinces without an active eReferral system, re-organization of the referral process is a necessity prior to automation, engaging the end-user is essential, and technological incompatibilities are major impediments to progress. Despite the acknowledged need to improve the referral system and increase government spending on health information technology, eConsultation and eReferral systems remain scarce as Canada lags behind the rest of the developed world.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,035 |
| Études des sciences et des technologies | 0,011 | 0,010 |
| Communication savante | 0,017 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».