Evaluating the Efficacy of Skin Cancer Referrals – Insights from Northern Ontario
Notice bibliographique
Résumé
Abstract Purpose/Background: Skin cancer is the most common type of cancer that can be cured if identified and treated early. The efficacy of the skin cancer referral process has not been elucidated, and it is unclear if the lack of primary care providers has had an effect on patients in Northern Ontario. Our study aimed to illustrate a typical skin cancer patient’s journey from prediagnosis to treatment and to characterize prevalence, clinical management, and patient outcomes. Materials and Methods: A retrospective review of patient electronic records referred to a plastic surgeon in Thunder Bay for suspicious skin lesions was conducted over a 7-year period. Referrals received by dermatologists were excluded to assess the ability of primary care providers to identify cancerous skin lesions. Referral origin and urgency, presumed diagnosis, type of lesion, surgical intervention, wait times, and clinical outcomes were analyzed. Descriptive statistics were used. Results: A total of 376 referrals were reviewed, and 250 were included. Of these, 214 were sent by family physicians, and 101 referrals were sent without a specified urgency. A total of 156 referrals were sent with a suspected diagnosis from the referring provider with a presumed diagnosis accuracy of 67.9%, as confirmed by final pathology. Basal cell carcinoma was the most common lesion. The mean wait time from referral to consultation and from consultation to surgical intervention was 22 and 35 days. Conclusions: Most referrals were sent from family physicians, and they were reliable in recognizing cancerous skin lesions. Wait times and patient outcomes were acceptable given the lack of access to plastic surgeons and low local recurrence rates.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».