An automated, web-based triage tool may optimise referral pathways in elective orthopaedic surgery: A proof-of-concept study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction Knee pain is caused by various pathologies, making evaluation in primary-care challenging. Subsequently, an over-reliance on imaging, such as radiographs and MRI exists. Electronic-triage tools represent an innovative solution to this problem. The aims of this study were to establish the magnitude of unnecessary knee imaging prior to orthopaedic surgeon referral, and ascertain whether an e-triage tool outperforms existing clinical pathways to recommend correct imaging. Methods Patients ≥18 years presenting with knee pain treated with arthroscopy or arthroplasty at a single academic hospital between 2015 and 2020 were retrospectively identified. The timing and appropriateness of imaging were assessed according to national guidelines, and classified as ‘necessary’, ‘unnecessary’ or ‘required MRI’. Based on an eDelphi consensus study, a symptom-based e-triage tool was developed and piloted to preliminarily diagnose five common knee pathologies and suggest appropriate imaging. Results 1462 patients were identified. 17.2% ( n = 132) of arthroplasty patients received an ‘unnecessary MRI’, 27.6% ( n = 192) of arthroscopy patients did not have a ‘necessary MRI’, requiring follow-up. Forty-one patients trialled the e-triage pilot (mean age: 58.4 years, 58.5% female). Preliminary diagnoses were available for 33 patients. The e-triage tool correctly identified three of the four knee pathologies (one pathology did not present). 79.2% ( n = 19) of participants would use the tool again. Conclusion A substantial number of knee pain patients receive incorrect imaging, incurring delays and unnecessary costs. A symptom-based e-triage tool was developed, with promising performance and user feedback. With refinement using larger datasets, this tool has the potential to improve wait-times, referral quality and reduce cost.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 découle