Benchmarking non-attendance patterns in paediatric medical imaging: A retrospective cohort study spotlighting First Nations children
Notice bibliographique
Résumé
INTRODUCTION: Non-attendance at Medical Imaging (MI) appointments can result in inefficiencies in healthcare resource allocation, increased financial burdens, and lead to potential barriers to effective healthcare delivery. We evaluated factors associated with non-attendance of MI appointments for children including variables: gender; age groups; residential postcodes; Indigenous status; appointment dates; appointment reminders and socio-economic status. METHOD: Retrospective cohort study of children with scheduled MI appointments at a Tertiary paediatric hospital in Australia, between January and December 2022. Data were extracted from the Radiology Information System and integrated with socio-economic census data through linking with postcode. Chi-squared, and logistic regression analysis were performed to identify significant predictors of non-attendance. RESULTS: Out of 17,962 scheduled outpatient appointments, 6.2 % did not attend. Males were less likely to attend than females (7.3 % vs. 5.8 %; p < 0.001). Older children had the highest frequency of non-attendance (p < 0.001). First Nations identified children had a higher likelihood of non-attendance at 14.5 % compared to non-First Nations at 5.8 %, and the odds ratio (OR) of First Nation children not attending was 2.54 (CI 2.13-3.03; p < 0.001) higher than non-First Nations children. Children from areas of disadvantage were less likely to attend (p < 0.001). Bone mineral densitometry had the highest odds of non-attendance (19.4 % of bookings) compared to other imaging modalities (p < 0.001). CONCLUSION: The following characteristics were associated with non-attendance: older male gender, residing in areas of socio-economic disadvantage, or identifying as First Nations Australians. By reviewing these findings with the cultural and professional experience of our Indigenous co-author, we have identified some strategies for improving attendance amongst First Nations children. IMPLICATIONS FOR PRACTICE: Factors associated with non-attendance, or "missed opportunities for care", provide opportunities for intervention to improve attendance for vulnerable groups of children who require medical imaging.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».