Effect of implementation of an electronic consult referral platform (eConsult) to triage retina referrals in Manitoba
Notice bibliographique
Résumé
OBJECTIVE: eConsult allows specialists to diagnose and recommend treatment plans for nonurgent conditions without the need for patient travel. Our purpose is to evaluate the effectiveness of eConsult in reducing unnecessary in-person retinal consultations in Manitoba. DESIGN: Retrospective eConsult chart review. PARTICIPANTS: Any person for whom an eConsult was submitted for a retina problem in Manitoba between November 2020 and October 2023 (n = 196). METHODS: The primary objective was to quantify eConsults requiring no in-person referral, routine in-person referral, or urgent (within 4 weeks) in-person referral. Secondary objectives included describing characteristics of eConsults and quantifying the amount of time spent on the platform by both the referring provider and the specialist. On the basis of these variables, patient travel, consultation time, and specialist billings savings were calculated. RESULTS: 66.8% of eConsults did not require in-person assessment (n = 131), 24.5% required to be seen on a routine basis (n = 48), and 8.7% required to be seen within 4 weeks (n = 17). This translated to a net cost of $2,660.43 for the provincial government in billings over 3 years, but 81 990 km saved in patient travel. 99% of eConsults came from optometrists (n = 194). Referring providers spent an average of 10.6 ± 9.4 minutes on the platform per referral, and the specialist consultant spent 9.1 ± 6.6 minutes. CONCLUSION: eConsult is a potentially cost-effective way to address increasing demand for retinal services, reduce wait times by reducing unnecessary referrals, and facilitate data sharing between optometrists and ophthalmologists.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».