Improving access to chronic pain care with central referral and triage: The 6-year findings from a single-entry model
Notice bibliographique
Résumé
Background: Despite the established efficacy of multidisciplinary chronic pain care, barriers such as inflated referral wait times and uncoordinated care further hinder patient health care access. Aims: Here we describe the evolution of a single-entry model (SEM) for coordinating access to chronic pain care across seven hospitals in Toronto and explore the impact on patient care 6 years after implementation. Methods: In 2017, an innovative SEM was implemented for chronic pain referrals in Toronto and surrounding areas. Referrals are received centrally, triaged by a clinical team, and assigned an appointment according to the level of urgency and the most appropriate care setting/provider. To evaluate the impact of the SEM, a retrospective analysis was undertaken to determine referral patterns, patient characteristics, and referral wait times over the past 6 years. Results: Implementation of an SEM streamlined the number of steps in the referral process and led to a standardized referral form with common inclusion and exclusion criteria across sites. Over the 6-year period, referrals increased by 93% and the number of unique providers increased by 91%. Chronic pain service wait times were reduced from 299 (±158) days to 176 (±103) days. However, certain pain diagnoses such as chronic pelvic pain and fibromyalgia far exceed the average. Conclusions: The results indicate that the SEM helped reduce wait times for pain conditions and standardized the referral pathway. Continued data capture efforts can help identify gaps in care to enable further health care refinement and improvement.
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 | 0,000 | 0,000 |
| 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 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 ».