Survey of Equine Referring Veterinarians' Satisfaction with Their Most Recent Equine Referral Experience
Notice bibliographique
Résumé
BACKGROUND: Little is known about the veterinary referral process and factors that contribute to positive outcomes. OBJECTIVE: To investigate equine referring veterinarians' (rDVMs') satisfaction with their most recent referral experience and compare rDVM and specialist perspectives. SAMPLE: 187 rDVMs and 92 specialists (referral care providers). METHODS: Cross-sectional observational study. An online survey was administered to both rDVMs and specialists. Referring veterinarian satisfaction with their most recent referral experience was evaluated. Both rDVMs and specialists were asked to identify factors influencing a rDVM's decision where to refer, and the top 3 factors they perceive are barriers to referral care. RESULTS: Median rDVM satisfaction with their most recent referral care experience was 80 of 100 (mean, 75; range, 8-100). Referring veterinarians provided the lowest satisfaction score for the item asking about "The competition the referral hospital poses to your practice" (mean, 56.96; median, 62; range, 0-100). The top factor rDVMs identified as influencing their decision where to refer was "quality of care," whereas specialists identified "quality of communication and updates from the clinician." Referring veterinarians' top barrier to referral care was "high cost of referral care," and for specialists was "poor service provided to the client by the referral hospital." CONCLUSIONS AND CLINICAL IMPORTANCE: Referring veterinarians generally were satisfied with referral care, but areas exist where rDVMs and specialists differ in what they view as important to the referral process. Exploring opportunities to overcome these differences is likely to support high quality 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».