MétaCan
Menu
Retour à la cohorte
Enregistrement W4220872686 · doi:10.3928/00989134-20220307-02

Electronic Consultation by Advanced Practice Nurses to Improve Access to Specialist Care for Older Adults

2022· article· en· W4220872686 sur OpenAlexaff
Ramtin Hakimjavadi, Cheryl Levi, Kimberly LeBlanc, Sheena Guglani, Mary Helmer‐Smith, Justin Joschko, Sathya Karunananthan, Clare Liddy

Notice bibliographique

RevueJournal of Gerontological Nursing · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Disease Management Strategies
Établissements canadiensBruyère
Organismes subventionnairesnon disponible
Mots-clésSpecialtyNursingMedicineGerontological nursingAdvanced Practice NursesMEDLINEHealth careService (business)Advanced practice nursingClinical nurse specialistFamily medicineNurse practitioners

Résumé

récupéré en direct d'OpenAlex

Older adults face several challenges when accessing specialist care. Advanced practice nurses (APNs) can perform an important role in primary care for older adults, particularly when bolstered with digital tools. In the current study, we conducted a multiple case study of electronic consultations (eConsults) involving APNs to assess how these practitioners use the service to improve access to care. All eConsults submitted by or to an APN in 2019 on behalf of patients aged ≥65 years were reviewed to identify examples from six settings representative of the range of advanced nursing practices. For each setting, a final case was chosen using an iterative process and stratified by specialty and type of advice. Included cases were assessed using a conceptual framework for health care access. Selected cases illustrate how APNs can be effective users of eConsults in a diversity of health care settings. The framework allowed for an in-depth study of access over the range of interactions that take place among patients, caregivers, providers, and the health care system. [ Journal of Gerontological Nursing, 48 (4), 33–40.]

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,034
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,034
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0020,002
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,394
Écart entre enseignants0,372 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Gerontological NursingMême sujetChronic Disease Management StrategiesTravaux en français237 207