Design and Implementation of a Physician Coaching Pilot to Promote Value-Based Referrals to Specialty Care
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
INTRODUCTION: Referral rates to specialty care from primary care physicians vary widely. To address this variability, we developed and pilot tested a peer-to-peer coaching program for primary care physicians. OBJECTIVES: To assess the feasibility and acceptability of the coaching program, which gave physicians access to their individual-level referral data, strategies, and a forum to discuss referral decisions. METHODS: The team designed the program using physician input and a synthesis of the literature on the determinants of referral. We conducted a single-arm observational pilot with eight physicians which made up four dyads, and conducted a qualitative evaluation. RESULTS: Primary reasons for making referrals were clinical uncertainty and patient request. Physicians perceived doctor-to-doctor dialogue enabled mutual learning and a pathway to return joy to the practice of primary care medicine. The program helped physicians become aware of their own referral data, reasons for making referrals, and new strategies to use in their practice. Time constraints caused by large workloads were cited as a barrier both to participating in the pilot and to practicing in ways that optimize referrals. Physicians reported that the program could be sustained and spread if time for mentoring conversations was provided and/or nonfinancial incentives or compensation was offered. CONCLUSION: This physician mentoring program aimed at reducing specialty referral rates is feasible and acceptable in primary care settings. Increasing the appropriateness of referrals has the potential to provide patient-centered care, reduce costs for the system, and improve physician satisfaction.
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 | 0,001 | 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 | 0,001 | 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