Building Capacity for Community Pediatric Autism Diagnosis: A Systemic Review of Physician Training Programs
Notice bibliographique
Résumé
OBJECTIVES: Training primary care providers to provide diagnostic assessments for autism spectrum disorder (ASD) decreases wait times and improves diagnostic access. Outcomes related to the quality of these assessments and the impacts on system capacity have not been systematically examined. This systematic review identifies and summarizes published studies that included ASD diagnostic training for primary care providers (PCPs) and aims to guide future training and evaluation methods. METHODS: Systematic searches of electronic databases, reference lists, and journals identified 6 studies that met 3 inclusion criteria: training for PCPs, community setting, and training outcome(s) reported. These studies were critically reviewed to characterize (1) study design, (2) training model, and (3) outcomes. RESULTS: All studies were either pre-post design or nonrandomized trials with a relatively small number of participants. There was considerable heterogeneity among studies regarding the training provided and the program evaluation process. The most evaluated outcomes were access to autism diagnosis and accuracy of diagnosis. CONCLUSION: Training PCPs to make ASD diagnoses can yield high diagnostic agreement with specialty teams' assessments and reduce diagnostic wait times. Current data are limited by small sample size, poor to fair quality study methodology, and heterogenous study designs and outcome evaluations. Evidence is insufficient to draw conclusions about the overall effects of training PCPs for ASD diagnostic assessments. Since further research is still needed, this review highlights which outcomes are relevant to consider when evaluating the quality of ASD assessments across the continuum of approaches.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».