Management of Migraine and the Accessibility of Specialist Care – Findings from a Multi-national Assessment of 28 Healthcare Networks
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
<bold>Introduction:</bold> Migraine is one of the leading reasons for patient access to neurology services. Waiting lists can limit patients’ ability to access specialist care, even at specialised headache centres. Our study aims to investigate this issue, identify possible root causes and also document existing good practices. <bold>Methods:</bold> We conducted a study in a sample of 28 headache centres and their networks in six countries by performing in-depth interviews with 166 healthcare professionals. <bold>Results:</bold> The waiting list for new patients and follow-up visits exceeded 3 months in 61% and 36% of centres, respectively. Patients waited on average 6 months for their first consultation, with peaks beyond 12 months. Five areas were identified as common root <bold>causes:</bold> (1) inappropriate referral of patients with low-frequency episodic migraine or patients under acute treatment, (2) lack of triage/priority allocation, (3) limited resource availability or resources dedicated to migraine, (4) limited delegation of activities, and (5) suboptimal management of follow-up visits. <bold>Conclusion:</bold> Our work highlights a gap between best practices for migraine management proposed in the literature and current real-world practice. Guidelines recommend a network approach to bridge different levels of care. Based on our findings, consistency in practice amongst specialised headache clinics and integration with primary care represent an important area for further improvement.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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