A Cross-Sectional Survey of Population-Wide Wait Times for Patients Seeking Medical vs. Cosmetic Dermatologic Care
Notice bibliographique
Résumé
BACKGROUND: Though previous work has examined some aspects of the dermatology workforce shortage and access to dermatologic care, little research has addressed the effect of rising interest in cosmetic procedures on access to medical dermatologic care. Our objective was to determine the wait times for Urgent and Non-Urgent medical dermatologic care and Cosmetic dermatology services at a population level and to examine whether wait times for medical care are affected by offering cosmetic services. METHODS: A population-wide survey of dermatology practices using simulated calls asking for the earliest appointment for a Non-Urgent, Urgent and Cosmetic service. RESULTS: Response rates were greater than 89% for all types of care. Wait times across all types of care were significantly different from each other (all P < 0.05). Cosmetic care was associated with the shortest wait times (3.0 weeks; Interquartile Range (IQR) = 0.4-3.4), followed by Urgent care (9.0 weeks; IQR = 2.1-12.9), then Non-Urgent Care (12.7 weeks; IQR = 4.4-16.4). Wait times for practices offering only Urgent care were not different from practices offering both Urgent and Cosmetic care (10.3 vs. 7.0 weeks). INTERPRETATION: Longer wait times and greater variation for Urgent and Non-Urgent dermatologic care and shorter wait times and less variation for Cosmetic care. Wait times were significantly longer in regions with lower dermatologist density. Provision of Cosmetic services did not increase wait times for Urgent care. These findings suggest an overall dermatology workforce shortage and a need for a more streamlined referral system for dermatologic care.
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 | 0,006 |
| 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) | 0,001 | 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 ».