Who Uses eConsult? Investigating Physician Characteristics Associated with Usage (and Nonusage)
Notice bibliographique
Résumé
BACKGROUND: The Champlain BASE™ eConsult Service was developed in a Local Health Integration Network (LHIN) in Ontario, Canada in 2010 to reduce wait times and improve access to specialist care. The service allows primary care providers to receive advice from specialists via a secure electronic platform without necessarily requiring a face-to-face consultation. INTRODUCTION: As of 2015, over half of the LHIN's family physicians were registered and trained to use the service. However, 24% of registrants never went on to submit a case. The purpose of this study is to examine the demographic characteristics associated with usage. MATERIALS AND METHODS: Usage data for the pool of physicians registered between January 1, 2011 and September 30, 2015 were linked to physician characteristics retrieved from the College of Physicians and Surgeons of Ontario database. Probit regressions were estimated to determine characteristics associated with usage. RESULTS: Neither sex, being an international medical school graduate-documented predictors of electronic medical records adoption-nor proximity to specialists were found to explain usage. Only length of time in practice was found to be predictive. Being out of medical school an additional 10 years was estimated to decrease the probability of ever using eConsult by five percentage points (p < 0.01). CONCLUSION: Lower use by veteran physicians may reflect their lower need for services like eConsult given their well-established specialist networks, or their greater confidence in practicing medicine. Future work should explore the reasons and barriers for not registering, or not using eConsult, with an aim toward increasing the appropriate use of this cost-effective and innovative 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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».