Have social prescribing referrals reduced appointment pressures on primary care? Evidence from Electronic Healthcare Records
Notice bibliographique
Résumé
BACKGROUND: One in five general practice appointments are for social rather than medical reasons. To alleviate these pressures on primary care, NHS England mandated the national roll-out of social prescribing link workers in July 2019. AIM: To access whether the national roll-out of social prescribing link workers reduced GP appointments. METHOD: We use electronic healthcare records (Clinical Practice Research Datalink) of 15.7 million patients across 1461 practices in England from 2016 to 2021, representing around 28% of England's population. We create a patient-level quarterly panel dataset (T = 22, N = approx. 240 million) containing counts of appointments with a GP and interactions with social prescribing link workers identified via specific SNOMED codes. We adopted a staggered difference-in-difference approach, where we have treated, not yet treated, and never treated patients for each time point. Patients can be referred (treated) to the NHS Social Prescribing Scheme from Q3 of 2019 onwards (t = 16). We omit 226 practices that implemented separate social prescribing programmes prior to national rollout. RESULTS: Patients referred to social prescribing subsequently have 1.13 fewer appointments per quarter with a GP (95% CI = -1.21 to -1.03) than those not referred. There was a total of 244 626 freed-up appointments with a GP linked to social prescribing referrals. CONCLUSION: Early analysis of the national roll-out of social prescribing link workers has demonstrated that NHS England has met its intended aim of reducing GP appointments. This has the potential to reduce pressures on primary care by addressing patients' social needs.
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 | 0,001 | 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 | 0,001 |
| 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 ».