Specialists accessing specialty advice: Evaluating utilization, benefits, and impact of care of an e-consultation service
Notice bibliographique
Résumé
Introduction The usual referral pathway is from a primary care provider (PCP) to a specialist; however, specialists also refer to and consult with other specialists. Electronic consultation (eConsult) allows clinicians to submit questions on behalf of patients to specialists to receive timely advice. Most eConsult studies in the past have examined questions asked from PCPs to specialists. This study investigates the utilization of specialists submitting clinical questions to other specialists through the Ontario eConsult Service and identifies use-case scenarios where specialist-to-specialist eConsult may be beneficial. Methods A retrospective, descriptive, cross-sectional analysis of eConsults submitted by specialists through the Ontario eConsult Service for 24 months (March 2019 to February 2021). Utilization data is collected automatically by the service, including specialty referred to, time billed, region, and results from a closeout survey which includes the referral outcome of the eConsult and the utility to the submitting clinician. Results 4% ( n = 3285) of all eConsults sent within the study period were specialist-to-specialist, with the others being sent by a PCP. The number of specialist-to-specialist eConsults grew 120% following the onset of the COVID-19 pandemic. The top three specialties that submitted eConsults were pediatrics, internal medicine, and endocrinology. The top three specialties that specialists submitted to were dermatology, neurology, and hematology. A face-to-face referral was avoided in 69% of referrals. Conclusion Evaluating the utilization patterns of specialist-to-specialist eConsults allows us to better understand and expand the scope of eConsult services, which have traditionally been thought of as a workflow between a PCP and a specialist.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».