Evaluation of low acuity patients discharged from a virtual emergency department at a major urban academic health sciences centre in Toronto, Canada.
Notice bibliographique
Résumé
ObjectiveIn response to the COVID-19 pandemic, Sunnybrook Health Sciences Centre launched the first virtual emergency department (VED) in Toronto, Ontario. The objective of this pilot project was to leverage linked administrative data to describe the healthcare utilization of VED patients compared to matched patients who attended an ED in person. ApproachEvaluation of the VED program was supported by the ICES Applied Health Research Question Program, which is funded by the Ontario Ministry of Health to answer questions directly related to Ontario healthcare policy, planning, or practice. VED visit records from December 2020 to May 2021 were linked with Ontario administrative data. VED patients with low acuity complaints were matched 1:1 with in-person ED comparators according to visit date, presenting complaint, and a propensity score that incorporated age, sex, comorbidities, and other important potential confounders. The primary outcomes were healthcare utilization within 7 days and all-cause mortality within 30 days. ResultsOf the 609 eligible patients discharged from the VED, 600 (98.5%) were successfully matched to a comparator. Mean (SD) age was 43.0 (21.1) and 64.1% were female. In-person ED revisits and hospitalizations were similar for VED and comparator patients at 72 hours (ED: 12.1% vs. 11.3%; Δ 0.8%, 95%: -2.8, 4.5%; hospitalization: 1.2% vs. 1.5%; Δ 0.3%, 95%: -0.7, 1.4%,) and 7 days (ED: 16.1% vs. 14.4%; Δ 1.7, 95%: -2.4, 5.7%; hospitalization: 1.7% vs. 1.8%; Δ 0.2%, 95%: -0.1, 1.4%) following the index visit. The number of patients visiting a primary care provider within 7 days was also similar between groups (36.7% vs. 32.4%; Δ 4.3, 95%: -1.1, 9.8%). No patients died within 30 days. Conclusion/ImplicationsVED patients and their matched comparators had similar healthcare utilization in the 7 days following their index ED visit. Methodology from this study will inform a province-wide evaluation of VED programs across Ontario.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».