The diagnostic pathway for patients with interstitial lung disease: a mixed-methods study of patients and physicians
Notice bibliographique
Résumé
OBJECTIVES: The diagnostic process for patients with interstitial lung diseases (ILD) remains complex. The aim of this study was to characterise the diagnostic care pathway and identify barriers and potential solutions to access a timely and accurate ILD diagnosis. DESIGN: This mixed-method study was comprised of a quantitative chart review, patient and physician surveys and focus groups. RESULTS: Chart review was completed for 97 patients. Median time from symptom onset to ILD diagnosis was 12.0 (IQR 20.5) months, with 46% diagnosed within 1 year. Time from first computed tomography (CT) scan to respirology referral was 2.4 (IQR 21.2) months. Referrals with a prior CT were triaged sooner than referrals without (1.7±1.6 months vs 3.9±3.3 months, p=0.013, 95% CI 0.48 to 2.94). On patient surveys (n=70), 51% felt that their lung disease was not recognised early enough. Commonly reported challenges to timely diagnosis included delayed presentation to primary care, initial misdiagnoses and long wait-times for specialists. Forty-five per cent of physicians (n=20) identified diagnostic delays, attributed to delayed presentations to primary care (58%), initial misdiagnoses (67%) and delayed chest imaging (75%). Themes from patient and respirologist focus groups included patient-related, healthcare provider-related and system-related factors leading to delays in diagnosis. CONCLUSIONS: This mixed-methods study identified patient and system-related factors that contribute to diagnostic delays for patients with ILD, with most delays occurring prior to respirology referral. ILD awareness and education, earlier presentation to primary care, expedited access to chest imaging and earlier referral to respirology may expedite diagnosis.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».