Impact of Team-Based Care on Emergency Department Use
Notice bibliographique
Résumé
<h3>PURPOSE</h3> We sought to assess the impact of team-based care on emergency department (ED) use in the context of physicians transitioning from fee-for-service payment to capitation payment in Ontario, Canada. <h3>METHODS</h3> We conducted an interrupted time series analysis to assess annual ED visit rates before and after transition from an enhanced fee-for-service model to either a team capitation model or a nonteam capitation model. We included Ontario residents aged 19 years and older who had at least 3 years of outcome data both pretransition and post-transition (N = 2,524,124). We adjusted for age, sex, income quintile, immigration status, comorbidity, and morbidity, and we stratified by rurality. A sensitivity analysis compared outcomes for team vs nonteam patients matched on year of transition, age, sex, rurality, and health region. <h3>RESULTS</h3> We compared 387,607 team and 1,399,103 nonteam patients in big cities, 213,394 team and 380,009 nonteam patients in small towns, and 65,289 team and 78,722 nonteam patients in rural areas. In big cities, after adjustment, the ED visit rate increased by 2.4% (95% CI, 2.2% to 2.6%) per year for team patients and 5.2% (95% CI, 5.1% to 5.3%) per year for nonteam patients in the years after transition (<i>P</i> <.001). Similarly, there was a slower increase in ED visits for team relative to nonteam patients in small towns (0.9% [95% CI, 0.7% to 1.1%] vs 2.9% [95% CI, 2.8% to 3.1%], <i>P</i> <.001) and rural areas (‒0.5% [95% CI, –0.8% to 0.2%] vs 1.3% [95% CI, 1.0% to 1.6%], <i>P</i> <.001). Results were much the same in the matched analysis. <h3>CONCLUSIONS</h3> Adoption of team-based primary care may reduce ED use. Further research is needed to understand optimal team composition and roles.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 ».