Using positive deviance to improve timely access in primary care
Notice bibliographique
Résumé
Background Improving timely access in primary care is a continued challenge in many countries. We used positive deviance to try and identify best practices for achieving timely access in our primary care organisation in Toronto, Canada. Methods Semistructured interviews were used to identify practice strategies used by physicians who successfully maintained a low third next available appointment (TNA) (positive deviants, n=6). We then conducted a cross-sectional survey to understand the prevalence of identified promising practices among all physicians (n=70) in the practice. We used χ 2 testing to understand whether uptake of promising practices among survey respondents was different for those with a median TNA of 7 days or less vs a median TNA over 7 days. Results We identified seven promising practice strategies used by positive deviants: adjusting the appointment template based on demand; reviewing the appointment schedule in advance; max-packing of visits; using phone, email and secure messaging; customising care for complex patients; managing planned absences; and involving the interprofessional team. 65 of 70 physicians responded to the survey on promising practices. Uptake of the promising practices was variable among survey respondents. In general, we found no association between uptake of promising practices and median TNA. One exception was that those with a median TNA of 7 or less were more likely to review the schedule in advance to potentially mitigate a visit using phone/email (62% vs 31%, p=0.0159). Conclusion Promising practices used by a small group of physicians (‘positive deviants’) to maintain good access were generally not associated with timely access among a larger sample of physicians in the practice. Our findings highlight the difficulty of untangling physician practice style and its contribution to timely access in primary care.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».