Specialists Triaging Referrals to eConsult: a feasibility study including acceptability and impact of providing advice on primary health care providers
Notice bibliographique
Résumé
BACKGROUND: Specialists review referrals for appropriateness and urgency. Limited capacity results in specialists declining referrals leaving primary care providers (PCP), patients, and specialists frustrated. Since specialist availability is unlikely to improve significantly, innovative solutions are required. This study evaluated the feasibility, acceptability, safety and impact of a new referral triage option Triaging Referrals to eConsult (TReC) which enables specialists to provide advice in lieu of an appointment (advice only) or provide advice to support the PCP until the appointment occurs (advice and appointment). METHODS: Utilization metrics were prospectively collected (number (%) of referrals converted, time from receipt of referral to completion (response time) and specialist self-reported billing time. To assess PCP opinions on safety (advice was clearly identified and actionable) and acceptability (comfort in patient not seeing a specialist, additional time burden and support for expansion) two surveys, one for those referrals triaged to advice only and another for those triaged to advice and appointment, were faxed 14 days after the referral response. RESULTS: From November 1, 2022, to October 31, 2023, five specialties converted 930/16,880 referrals-656 (3.8%) to Advice Only and 274 (1.6%) to Advice and Appointment for an overall conversion rate of 5.5%. 192/1010 (19%) PCPs returned the survey with over 80% agreeing that the advice was easily recognizable, conversion to eConsult was acceptable and the advice was helpful and actionable. INTERPRETATION: Enabling specialists to provide advice to PCPs, often in lieu of an appointment, was acceptable, feasible with no major patient safety concerns.
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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».