Clinical Questions Asked by Long-Term Care Providers Through eConsult: A Retrospective Study
Notice bibliographique
Résumé
INTRODUCTION: eConsult allows primary care providers (PCPs) to access timely specialist advice and informs patient care. To understand the use of eConsult in long-term care (LTC) settings, we examined the clinical content and types of questions asked by LTC PCPs. METHODS: A descriptive, retrospective study of eConsults submitted through the Champlain BASE™ eConsult Service between January 1, 2017, and December 31, 2018, by LTC PCPs was conducted. Cases were classified using validated taxonomies. Descriptive statistics were generated for content and question type classifications, service utilization data, and close-out survey responses. RESULTS: 22 LTC PCPs submitted 113 eConsults. They sought advice about drug treatment (58%), diagnosis (44%), and management (38%) in a breadth of clinical areas, often skin-related (39%). Long-term care PCPs frequently asked more than one question type (42%). They received advice within 1 week (91%) and rated eConsult as very helpful and educational. Three case examples are presented. CONCLUSION: This study demonstrates the type of advice LTC PCPs are seeking through eConsult and its usefulness in this setting. Long-term care stakeholders are encouraged to consider implementing eConsult in other regions, as a means to improve access to timely specialist advice, support clinical decision-making, and improve residents' quality of life.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».