MétaCan
Menu
Retour à la cohorte
Enregistrement W2441564057 · doi:10.3390/informatics3020008

Choosing a Model for eConsult Specialist Remuneration: Factors to Consider

2016· article· en· W2441564057 sur OpenAlexafffundabout
Clare Liddy, Catherine Deri Armstrong, Fanny McKellips, Paul Drosinis, Amir Afkham

Notice bibliographique

RevueInformatics · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueHealthcare Systems and Technology
Établissements canadiensOttawa HospitalChamplain Regional CollegeBruyèreUniversity of Ottawa
Organismes subventionnairesOntario Ministry of Health and Long-Term Care
Mots-clésRemunerationLiberian dollarIncentiveService (business)BusinessSpecialtyFinanceActuarial scienceMedicineFamily medicineEconomicsMarketing

Résumé

récupéré en direct d'OpenAlex

Electronic consultation (eConsult) is an innovative solution that allows specialists and primary care providers to communicate electronically, improving access to specialist care. Understanding the cost implications of different remuneration models available to pay specialists is of critical importance as adoption of these services continues to increase. We used data collected through the Champlain BASE (Building Access to Specialists through eConsultation) eConsult service to simulate the cost implications of different remuneration models in Canada. The prorated hourly rate model averaged $45.72 CAD (Canadian Dollar) per eConsult while the prorated hourly rate with incentive averaged $51.90 CAD per eConsult, and the fee for service cost $60.50 CAD per eConsult. Paying all specialty groups to block three hours per week for eConsults averaged $337.44 CAD per eConsult and paying for 1-h blocks averaged $133.41 CAD per eConsult. As the remuneration of specialists is the largest cost driver of an established eConsult service, our findings can inform policymakers considering the implementation of eConsult or wishing to further develop an existing service.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,253
Score d'incertitude au seuil0,503

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,029
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0050,003
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,070
Tête enseignante GPT0,293
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2016
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueInformaticsMême sujetHealthcare Systems and TechnologyTravaux en français237 207