Impact of Psychiatric Follow-Up Frequency on Outcomes and Waiting Times
Notice bibliographique
Résumé
OBJECTIVES: This study determined whether naturally occurring but significantly different outpatient follow-up frequencies are associated with clinical outcomes and service waiting times. STUDY DESIGN: Longitudinal retrospective study. METHODS: This study was conducted in an outpatient setting. Participants consisted of 340 patients with major depressive disorder who were randomly assigned to 4 psychiatrists and were followed at a variable frequency defined by the clinician. Patients were assessed at baseline and at every visit with structured interviews and self-reported questionnaires. These groups were also compared according to their baseline characteristics, treatment, and appointment frequencies. Little's law was used to estimate the impact of modifying the appointment frequencies on the service waiting time. RESULTS: The demographic variables, prescriptions, and depression severity at intake of patients across the 4 groups were similar. The mean times between appointments of the 4 groups were significantly different (87.0, 46.9, 67.9, and 61.5 days, respectively; P < .001), but these differences in outpatient follow-up frequency were not associated with clinical outcomes (eg, mean last Quick Inventory of Depressive Symptomatology Self-Report score, 10.5, 10.0, 11.9, and 9.7; P = .25). However, different outpatient follow-up frequencies had an estimated impact on waiting times for access to care; using Little's law, it was observed that the waiting list would be eliminated by reducing by 23.9% the follow-up frequencies of the 3 psychiatrists with the highest frequencies. CONCLUSIONS: Although variations in appointment frequencies do not appear to have a major impact on clinical outcomes, they could be managed to achieve significant improvements in the accessibility of the clinic.
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) | 0,000 | 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 | 0,001 |
| 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 ».