MétaCan
Menu
Retour à la cohorte
Enregistrement W2975430411 · doi:10.1159/000502602

An Integrated Kidney Care eConsult Practice Model: Results from the iKinect Project

2019· article· en· W2975430411 sur OpenAlexaffabout
Stephanie W. Ong, Amit Kaushal, Pauline Pariser, Christopher T. Chan

Notice bibliographique

RevueAmerican Journal of Nephrology · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueHealthcare Systems and Technology
Établissements canadiensCentre for Family MedicineUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésMedicineReferralTriageKidney diseaseFamily medicineNephrologyPrimary careDisease managementEmergency medicineInternal medicineDisease

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Collaborative management of kidney disease relies on coordinated and effective partnerships between multiple provider teams. Siloed care contributes to limited access between physicians, resulting in delays in the diagnosis and treatment of kidney disease and inappropriate use of healthcare resources. These gaps contribute to dissatisfied and disempowered providers and patients. Digital systems such as eConsult can support collaborative management and address these gaps, thereby streamlining the consultation and referral process between primary care physicians (PCPs) and nephrologists. In this study, we evaluated an established eConsult platform integrated with a central triage process for a network of PCPs and nephrologists. The study aimed to assess the acceptability, feasibility, and impact on access to nephrology when using eConsult integrated into the management of kidney disease between PCPs and nephrologists. METHODS: We conducted a 1-year pilot study and used mixed methods to measure the acceptability and feasibility of using eConsult for the management of kidney disease. We compared eConsult and traditional referrals with respect to types of consultation, referrals, and times to response to determine impact on access to kidney care. We conducted semi-structured interviews of PCPs and nephrologists to assess physician experience. RESULTS: From January 8, 2018, to January 11, 2019, 52 PCPs and 23 nephrologists participated in the study, with 250 traditional referrals and 106 eConsults submitted during that period. The median response time for eConsult was 15 (3-64) h, with 25% originating outside the central Toronto region. The median time to first clinic appointment from a traditional referral was 4 months (111 [61-163] days). PCP and nephrologist interviews revealed high user satisfaction, citing efficiency and timely response as key facilitators. CONCLUSION: The eConsult platform was acceptable, feasible, and facilitated access to nephrology care compared to traditional referrals. Physicians report improvements in physician care delivery, nephrology care gaps, patient experience, and healthcare utilization.

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)0,034
score de la tête « metaresearch » (Gemma)0,053
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 enseignants0,055
Score d'incertitude au seuil0,180

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0340,053
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0020,002
Communication savante0,0040,003
Science ouverte0,0030,007
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,015
Tête enseignante GPT0,280
Écart entre enseignants0,265 · 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

Citations17
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of NephrologyMême sujetHealthcare Systems and TechnologyTravaux en français237 207