P-65 The use of RUN-PC triage tool for community palliative care service
Notice bibliographique
Résumé
<h3>Background</h3> There is no doubting that health care providers face increasing challenges to meet the needs of the population whilst dealing with gaps in funding. Teams need to be innovative in their approach which allows for a more proactive and targeted service (Antonacci, Barrie, Baxter, et al. J Aging Res. 2020:3921245). Our hospice applies its own triage tool which has overtime created ‘front door’ pressures on the team with over 50% of all referrals viewed as amber/72 hour response. The RUN-PC tool is an evidence based triage tool which allows services to allocate resources based on complexity (Russell, Philip, Wawryk, et al. Palliat Med. 2021;35(4):759–767). It ensures equitable, efficient and transparent access to clinical services whilst managing increasing caseloads and waiting lists (Russell, Sundararajan, Hennesy-Anderson, et al. Palliat Med. 2018;32(7):1246–1254). <h3>Aim</h3> To apply the RUN-PC Triage Tool to community referrals. <h3>Method</h3> The team performed a retrospective application of the RUN score on 37 amber patients. Following the results it was proposed to have an initial trial over Quarter 1 and Quarter 2. <h3>Results</h3> The tool provided a greater breakdown of complexity of service users and allowing for the most urgent patients to be prioritised in a timely manner. Out of 37 analysed: 7 Red 24 hours. 10 amber 72 hours. 18 Green 1 week. 2 Green 2 week. <h3>Conclusion</h3> The RUN-PC was shown to provide further breakdown of patient need and the timeframes for services to respond. The initial scope reduced the number of patients needing to be seen within 72 hours by 20 which potentially frees up services to prioritise those in greatest need. Further application of the tool in Q1 and Q2 will allow further data collection and analysis.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».