Impact of virtual triage and care referral on patient care seeking intent and clinical acuity alignment in an Australian health plan: A cross-sectional study
Notice bibliographique
Résumé
Objective: Evaluate if artificial intelligence (AI)-based virtual triage and care referral (VTCR) improved care acuity alignment and has the potential to reduce unwarranted, avoidable care costs when integrated into the patient engagement capabilities of an Australian private health insurance company. Methods: A cross-sectional study compared patient pre- and post-VTCR care intent across 4,471 encounters to evaluate the degree of clinical care acuity re-alignment (or divergence) which occurred and potential associated cost savings. Results: Overall compliance or alignment with triage recommendations was high (74.0%), and VTCR was effective in educating patients about the most appropriate care to meet their actual clinical needs. One-half of patients (50.5%) changed their care intent. Following VTCR there was a 91.3% reduction of patients with uncertain care intent (39.8 percentage points [PP]); a 56.5% (6.2 PP) increase in intent to engage self-care, and a 35.7% (0.5 PP) decrease in emergency care intent (all p < .05). This yielded a potential $4.27 (8.6%) overall net savings per completed VTCR encounter, with potential savings of $284.55 (72.2%) per completed encounter among patients initially intending to seek emergency care, and 35 unnecessary outpatient visits potentially avoided per 1,000 encounters producing potential savings of $3.39 (6.5%) per completed encounter among patients initially intending to seek outpatient care. Almost 10% of patients intended to book a clinically appropriate telemedicine consultation following VTCR. Conclusions: VTCR was found to be potentially clinically and cost-effective in re-directing patients who had an initial care intent not supported by their actual clinical acuity, reducing patient care uncertainty and potentially avoidable care utilization. Future research should include clinical validation of patient diagnosis and care services delivered as a primary outcome in order to confirm the potential savings identified in this study.
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) | 0,001 | 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 ».