P.032 Accessing ambulatory care in neurology: understanding and addressing demand in Calgary
Notice bibliographique
Résumé
Background: Accessible ambulatory neurology care can reduce the need for inpatient evaluation. Aligning patient demand (service requests) with provider and space resources can optimize ambulatory clinic flow. In response to increasing referral volumes and wait times for neurologist access, a quality improvement initiative was undertaken to address demand. Methods: Process mapping and root cause analysis demonstrated access challenges and referral processing errors. Audit of 968 accepted referrals revealed variation in triage processes and decisions for referral questions. Neurologists defined inclusion criteria to specialty programs, based on referral questions. Referral management transitioned to a central intake model, reducing intra- and inter-clinic triage variability. Guidelines were established to prevent triage duplication and standardize appointment management. The primary outcome was accepted referrals per month. Secondary outcomes were referral rejection rate and neurology wait times. Results: Significantly more referrals were received per month post intervention (987 vs. 859, p<0.000). The number of accepted referrals did not change (p=0.147). Referral rejection rate increased from 21% to 31 % (p<0.000). Wait times increased by 16% (p=0.003). Conclusions: Referral management helped respond to increased referral requests. Despite no change in accepted referrals, wait times increased, suggesting a significant capacity problem and focus for further work.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».