A Multidisciplinary Hand Clinic Using Physiatrists for the Evaluation of Non-Operative Pathologies
Notice bibliographique
Résumé
Purpose: The purpose of this study was to describe the impact of using a multidisciplinary hand clinic on (1) hand clinic waitlists for urgent operative pathologies and (2) the volume of urgent operative referrals seen by plastic surgery. Methods: A retrospective data analysis of all new referrals to the Peter Lougheed Centre hand clinic in Calgary, Alberta, was performed. Data were collected from 6 months before and after the introduction of the multidisciplinary model (ie, between January 2017 and January 2018). Demographics for all new referrals were collected from the clinic database, including wait times, triage type, and volume of referrals triaged to each discipline. Results: Prior to using a multidisciplinary model, 81% (n = 591) of new patient referrals were triaged directly to plastic surgery, 4% (n = 28) to physiotherapy, and 6% (n = 43) to minor surgery (N = 728). However, following the addition of physiatry to the clinic, 62% (n = 451) of new patient referrals were triaged directly to plastic surgery, 24% (n = 173) to physiatry, 2% (n = 17) to physiotherapy, and 4% (n = 31) to minor surgery (N = 730). Overall, the number of urgent operative referrals triaged to plastic surgery proportionally increased by 7%, from 67% to 74%. Mean wait times for urgent referrals to plastic surgery decreased by 1.7 ± 1.0 months ( P = .09). Conclusion: Applying a multidisciplinary model to a hand clinic can allow non-operative cases to be triaged directly to physiotherapy and physiatry, allowing plastic surgeons to manage a higher volume of urgent and operative referrals. Implementing a multidisciplinary hand clinic can, therefore, decrease waitlist volumes and shorten the time to assessment by a plastic surgeon. Type of Study: Level II Prognostic Study.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 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 ».