MétaCan
Menu
← Retour à la cohorte
Enregistrement W2804211355 · doi:10.1093/pch/pxy054.084

EXAMINING REFERRAL PATTERNS AND DIAGNOSTIC RATES IN THE BRITISH COLUMBIA AUTISM ASSESSMENT NETWORK

2018· article· en· W2804211355 sur OpenAlexaffabout
Angie Ip, Whitney Weikum, Nancy Lanphear

Notice bibliographique

RevuePaediatrics & Child Health · 2018
Typearticle
Langueen
DomaineNeuroscience
ThématiqueAutism Spectrum Disorder Research
Établissements canadiensSunny Hill Health Centre for ChildrenUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésMedicineReferralLogistic regressionConfoundingPediatricsAkaike information criterionAutismFamily medicinePsychiatryInternal medicineStatistics

Résumé

récupéré en direct d'OpenAlex

Abstract BACKGROUND Most children in British Columbia are assessed for ASD by the BC Autism Assessment Network (BCAAN). While all diagnostic clinicians in BCAAN follow the same diagnostic standards, there is no published data on the referral patterns within BCAAN. OBJECTIVES We aimed to examine whether patients referred by different clinician types have different ASD diagnostic rates. DESIGN/METHODS This was a retrospective cross-sectional study using data from the BCAAN database consisting of individual patient data from January 1, 2010 to December 31, 2016. The analysis included all patients aged 0 to 18 years. Sequential logistic regression models were built to look at the effect of referring clinician type on ASD diagnostic outcome. The ASD diagnostic outcome was a binary outcome of whether a child was diagnosed with ASD. The main predictor variables were the referring clinician type. Other predictor variables examined as confounders included age and sex of the child, the referring health region, and the year the child was assessed. Changes in effect size, standard deviation, and Akaike information criterion were used to examine model fit. RESULTS Twenty patients did not have data for referring clinician type, 5 did not have diagnostic outcome data, and only 27 patients were referred by a nurse; they were not included in the analysis. The final dataset included 12,058 unique patients; they were not included in the analysis. The final dataset included 12,058 unique patients; 7271 (60%) were diagnosed with ASD. The ASD positive diagnostic rate for referrals by paediatricians (n=5704) was 61%, by family physicians (n=886) was 60%, by psychiatrists (n=483) was 51%, and by speech language pathologists (SLPs, n=198) was 68%. Using paediatricians as the reference group, the odds ratio of being diagnosed with ASD in the final model for children referred by a family physician was 1 (95% CI = 0.89–1.12); for children referred by a psychiatrist, the odds ratio was 0.87 (95% CI = 0.75–1); for children referred by an SLP, the odds ratio was 1.69 (95% CI = 1.28–2.25). These findings showed that within our study population, children referred by SLPs were more likely to be diagnosed with ASD and there was no statistically significant difference in ASD diagnostic rate for children referred by paediatricians, physicians, and psychiatrists. CONCLUSION Electronic clinical data is a valuable tool in examining referral and diagnostic patterns and generating data guided questions and hypotheses. Findings from this study suggest that the process of SLP referrals as well as differences between family physicians who refer to BCAAN versus the general population of family physicians should be explored as areas for reducing referral delays for children at risk of ASD.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,080
Score d'incertitude au seuil0,161

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,016
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,007
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,330
Écart entre enseignants0,288 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePaediatrics & Child Health→Même sujetAutism Spectrum Disorder Research→Travaux en français237 207→