Codesigned standardised referral form: simplifying the complexity
Notice bibliographique
Résumé
BACKGROUND: Referring providers are often critiqued for writing poor-quality referrals. This study characterised clinical referral guidelines and forms to understand which data consultant providers require. These data were then used to codesign an evidence-based, high-quality referral form. METHODS: This study used both observational and quality improvement approaches. Canadian referral guidelines were reviewed and summarised. Referral data fields from 150 randomly selected Ontario referral forms were categorised and counted. The referral guideline summary and referral data were then used by referring providers, consultant providers and administrators to codesign a referral form. RESULTS: Referral guidelines recommended 42 types of referral data be included in referrals. Referral data were categorised as patient demographics, provider demographics, reason for referral, clinical information and administrative information. The percentage of referral guidelines recommending inclusion of each type of referral data varied from 8% to 77%. Ontario referral forms requested 264 different types of referral data. Digital referral forms requested more referral data types than paper-based referral forms (55.0±10.6 vs 30.5±8.1; 95% CI p<0.01). A codesigned referral form was created across two sessions with 29 and 21 participants in each. DISCUSSION: Referral guidelines lack consistency and specificity, which makes writing high-quality referrals challenging. Digital referral forms tend to request more referral data than paper-based referrals, which creates administrative burdens for referring and consultant providers. We created the first codesigned referral form with referring providers, consultant providers and administrators. We recommend clinical adoption of this form to improve referral quality and minimise administrative burdens.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,170 | 0,411 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,012 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,006 |
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 source (Gemma direct ou Codex distillé), 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 ».