The Ontario Electronic Consultation (eConsult) Service: Cross-sectional Analysis of Utilization Data for 2 Models
Notice bibliographique
Résumé
BACKGROUND: The Ontario electronic consultation (eConsult) service allows a primary care provider (PCP) to access specialist advice through 2 models: the direct-to-specialist (DTS) model, where PCPs select a specialist from a directory, and the Building Access to Specialists Through eConsultation (BASE)-managed specialty service, where PCPs choose a specialty group and are assigned a specialist from a qualified pool based on availability. OBJECTIVE: The aim of this study is to examine patterns of use between the 2 models of eConsult delivery. METHODS: We conducted a cross-sectional analysis of utilization data collected from eConsults completed between October 2018 and September 2019. Cases were grouped based on the model used for submission (ie, BASE or DTS). Each model was assessed for the number of cases over time, specialty distribution, proportion resulting in new or additional information, impact on PCPs' decisions to refer, and billing time. RESULTS: PCPs submitted 26,121 eConsults during the study period. The monthly case volume increased by 43% over the duration of the study, primarily in the BASE model (66% compared to 6% for DTS). PCPs were able to confirm a course of action that they originally had in mind in 41.4% (6373/15,376) of BASE cases and 41.3% (3363/8136) of DTS cases and received advice for a new or additional course of action in 54.7% (8418/15,376) of BASE cases and 56.3% (4582/8136) of DTS cases. A referral was originally contemplated but avoided in 51.3% (7887/15,376) of BASE cases and 53.3% (4336/8136) of DTS cases, originally contemplated and still needed in 19.4% (2986/15,376) of BASE cases and 17.7% (1438/8136) of DTS cases, and neither originally contemplated nor needed in 21.7% (3334/15,376) of BASE cases and 21.9% (1781/8136) of DTS cases. CONCLUSIONS: Both eConsult models had strong uptake. Use patterns varied between models, with the majority of growth occurring under BASE, but survey responses showed that both models provided similar outcomes in terms of new information offered and impact on decision to refer.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».