Wait time management strategies at centralized intake system for hip and knee replacement surgery: A need for a blended evidence-based and patient-centered approach
Notice bibliographique
Résumé
Objectives: Delays in access to specialty care and elective hip and knee total joint replacement (TJR) surgery remain a major concern among patients with osteoarthritis (OA) in Canada. Centralized intake systems as a wait time management strategy in the face of resource constraints can increase access and patient flow through the system but are not standard practice. We examine how wait time management strategies for the assessment and triaging referrals in a centralized intake system can inform quality improvement initiatives. Design: We developed a discrete-event simulation model using all referrals to the Edmonton Bone and Joint Centre centralized intake system from 2012 to 2016 for the base case model. We assessed the combined effect of three wait time management strategies: improved prioritization, improved sorting through screening, and increased conservative management. Outcomes were measured in terms of patient flow and wait times. Results: The screener sees more patient referrals (7094 compared to 6922), and the number of patients who proceed to surgery is reduced by 282 patients (4%) in the wait time management scenario compared to the base case model. Wait times from referral to surgery are reduced by 54 days for surgical patients. Furthermore, urgent surgical patients experienced lower wait times in all stages of care than non-urgent patients, with wait times from referral to surgery reduced by 86 days. Conclusions: Triaging processes addressing prioritization, screening and conservative management of non-surgical patients can improve patient flow and significantly reduce patient wait times in a centralized intake process for TJR.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».