How the design and implementation of centralized waiting lists influence their use and effect on access to healthcare - A realist review
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
CONTEXT: Many health systems have centralized waiting lists (CWLs), but there is limited evidence on CWL effectiveness and how to design and implement them. AIM: To understand how CWLs' design and implementation influence their use and effect on access to healthcare. METHODS: We conducted a realist review (n = 21 articles), extracting context-intervention-mechanism-outcome configurations to identify demi-regularities (i.e., recurring patterns of how CWLs work). RESULTS: In implementing non-mandatory CWLs, acceptability to providers influences their uptake of the CWL. CWL eligibility criteria that are unclear or conflict with providers' role or judgement may result in inequities in patient registration. In CWLs that prioritize patients, providers must perceive the criteria as clear and appropriate to assess patients' level of need; otherwise, prioritization may be inconsistent. During patients' assignment to service providers, providers may select less-complex patients to obtain CWLs rewards or avoid penalties; or may select patients for other policies with stronger incentives, disregarding the established patient order and leading to inequities and limited effectiveness. CONCLUSION: These findings highlight the need to consider provider behaviours in the four sequential CWL design components: CWL implementation, patient registration, patient prioritization and patient assignment to providers. Otherwise, CWLs may result in limited effects on access or lead to inequities in access to services.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle