Patient and appointment characteristics associated with no-shows at a multicenter retina ophthalmology practice
Notice bibliographique
Résumé
OBJECTIVE: To identify factors associated with no-shows in a multicenter retina subspecialty practice. DESIGN: Cross-sectional study. PARTICIPANTS: Appointments scheduled at a multicenter practice in Fraser Valley, British Columbia, from September 1, 2020, to September 1, 2021. METHODS: A query was conducted on appointments scheduled at a multicenter practice in Fraser Valley, British Columbia, from September 1, 2020, to September 1, 2021. Characteristics, including age, sex, commute distance, appointment date and time, and appointment type, were analyzed using multivariate logistic regression to assess association with no-show status. RESULTS: Of 14,597 appointments, 803 (5.50%) were no-shows. Younger age was associated with higher no-show rates (odds ratio [OR] for <30 years vs 30 to <60 years: 1.46, 95% CI: 1.08-1.98; p < 0.001; vs 60 to <90: 2.13; vs ≥90 years: 1.72). Males were more likely to miss appointments than females (OR: 1.43, CI: 1.24-1.67; p < 0.001). No-shows were more frequent in the fall (OR for Fall vs Winter: 1.29, CI: 1.04-1.60; p = 0.018), scheduled in morning (OR for AM vs PM: 1.31, CI: 1.06-1.62; p = 0.013), 6-month follow-ups (OR: 1.69, CI: 1.15-2.48; p = 0.008), returning patient re-referrals (OR: 1.92, CI: 1.11-3.33; p = 0.020), and new patient referrals (OR: 1.76, CI: 1.05-2.97; p = 0.034). CONCLUSIONS: Key factors associated with no-shows include age, sex, appointment timing, and referral type. These findings can inform targeted interventions to reduce no-show rates and enhance health care delivery in retina clinics.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».