Patient and provider perspectives regarding criteria for patient prioritization in two specialized rehabilitation programs
Notice bibliographique
Résumé
To increase fairness and equity in access to rehabilitation services, a strategy emerging from the literature is patient prioritization. Selecting explicit prioritization criteria is a complex task because it is important to simultaneously consider the objectives of all stakeholders. The of this study was to compare service users’ and service providers’ perspectives regarding patient prioritization criteria in two rehabilitation programs. We conducted a multiple case study in two rehabilitation programs, i.e., a driving evaluation program and a compression garment manufacturing program. We sent a web-based survey asking two groups (patients and providers) to individually produce a set of criteria, then individual answers were coded and combined in a single set of criteria. Stakeholders identified a total of 32 criteria to prioritize patients. Some criteria, such as age, occupation, functional level, pain, absence of caregiver, and time since referral, were considered important by both stakeholders in both programs. Patients and providers tended to have similar opinions about criteria to prioritize patients in waitlists. Taking into consideration the opinions of all stakeholders concerning prioritization criteria is an important part of the decision-making process. Experience Framework This article is associated with the Quality & Clinical Excellence lens of The Beryl Institute Experience Framework (https://www.theberylinstitute.org/ExperienceFramework). Access other PXJ articles related to this lens. Access other resources related to this lens.
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 | 0,000 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».