The Use of Electronic Consultations in Outpatient Surgery Clinics: Synthesized Narrative Review
Notice bibliographique
Résumé
BACKGROUND: Electronic consultations (eConsults) are an increasingly used form of telemedicine that allows a nonspecialist clinician to seek specialist advice remotely without direct patient-specialist communication. Surgical clinics may see benefits from such forms of communication but face challenges with the need for intervention planning. OBJECTIVE: We aimed to use the Quadruple Aim Framework to integrate published knowledge of surgical outpatient eConsults with regard to efficacy, safety, limitations, and evolving use in the era of COVID-19. METHODS: We systematically searched for relevant studies across four databases (Ovid MEDLINE, Embase, Scopus, and Web of Science) on November 4, 2021, with the following inclusion criteria: English language, published in the past 10 years, and data on the outcomes of outpatient surgical eConsults. RESULTS: A total of 363 studies were screened for eligibility, of which 33 (9.1%) were included. Most of the included studies were from the United States (23/33, 70%) and Canada (7/33, 21%), with a predominant multidisciplinary focus (9/33, 27%). Most were retrospective audits (16/33, 48%), with 15% (5/33) of the studies having a prospective component. CONCLUSIONS: The surgical eConsult studies indicated a possible benefit for population health, promising safety results, enhanced patient and clinician experience, and cost savings compared with the traditional face-to-face surgical referral pathway. Their use appeared to be more favorable in some surgical subspecialties, and the overall efficacy was similar to that of medical subspecialties. Limited data on their long-term safety and use during the COVID-19 pandemic were identified, and this should be the focus of future research.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».