Increased access to pediatric specialist healthcare using eConsult: A retrospective observational cohort and case–control study
Notice bibliographique
Résumé
Objectives: Primary care practitioners (PCPs) report that using the Champlain BASE™ eConsult service (eConsult) averts one-third of face-to-face (FTF) specialist referrals, however, there are concerns about duplication of services and adverse patient outcomes. Following an eConsult, we evaluated patient healthcare utilization and associated treatment costs. Methods: Retrospective cohort study (2014 to 2018) of patients (<18 years old) for whom an eConsult visit averted a FTF specialist referral. Patients were linked to provincial health administrative databases and hospital electronic medical records for healthcare use for the same diagnosis and specialty for the 18 months following the eConsult. Concurrently, a retrospective case-control study compared utilization and costs between an eConsult versus a matched FTF visit for the same diagnosis. We also assessed PCP satisfaction. Results: In follow-up, <5% of the study cohort of eConsult patients (n = 242) later accessed the healthcare system for the identical diagnosis and specialty type. FTF visits generate more frequent outpatient visits (12.6 times more [95% CI: 2.28 to 69.66, P = 0.002]) and higher costs compared to eConsult visits. There were no hospital admissions or deaths in patients with eConsult. PCPs (98%) described eConsult as an excellent service. Conclusions: Using eConsult is associated with <5% of patients subsequently having a FTF visit for the same reason. Matched FTF visits generated more healthcare utilization and higher costs compared with eConsult. eConsult in pediatrics is safe and can minimize FTF specialist visits in elective cases and increase capacity, towards a more efficient and cost-effective healthcare system.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».