Evaluation of an advanced-practice physiotherapist in triaging patients with lumbar spine pain: surgeon–physiotherapist level of agreement and patient satisfaction
Notice bibliographique
Résumé
BACKGROUND: Surgery for lumbar spine pain is indicated for specific etiologies. Given the majority of individuals referred to spine surgeons are not surgical candidates, care delivery is inefficient, with consultations being of limited value for most. Using specially trained physiotherapists in triage is a human resource strategy that may optimize surgeons' time and the patient experience. METHODS: An advanced-practice physiotherapist (APP) and a surgeon assessed consecutive patients with lumbar spine pain presenting at an academic health centre's spine surgery clinic. The second assessor was blinded to the outcome of the first. We used the κ statistic to evaluate surgeon-APP level of chance-corrected agreement concerning patients' need for a surgical consultation. To assess satisfaction with the APP, patients completed a modified version of the validated Visit-specific Questionnaire. RESULTS: The sample included 102 participants (54 women) with a mean age of 54.3 ± 14.3 years and a mean Oswestry Disability Index score of 35.4 ± 16.6. The assessors' overall agreement was 86%. The κ coefficient for the need for a surgical consultation was 0.69 (95% confidence interval 0.54-0.84). The APP identified that 77% of patients did not require a surgical consultation. Twenty-one patients underwent surgery. Satisfaction scores for the APP were very high (mean score 92 out of 100). CONCLUSION: In triaging patients with lumbar spine pain, the APP and surgeon had a high level of agreement. An APP performing triage at a surgical centre can effectively reduce wait lists by 70%, reserving surgical consultations for those patients in whom they are indicated.
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 | 0,006 | 0,002 |
| 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 | 0,001 |
| 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 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 ».