Referral letters to pediatric rheumatology: referral content and impact on triage – an observational study
Notice bibliographique
Résumé
BACKGROUND: Delays in access to care in rheumatology are well documented. Many factors contribute to these delays and studies in adult populations indicate that incomplete referral letters may play a role. This study aims to describe the content of referral letters to pediatric rheumatology and to investigate the impact of incomplete letters on time to triage and accessing care. FINDINGS: METHODS: We evaluated referrals to a tertiary care pediatric rheumatology centre for eight components of comprehensive referral letters. In addition, we compared time-to-triage and percentage of patients receiving rheumatic diagnoses between letters with sufficient content for immediate triage versus incomplete letters requiring further information. Logistic regression models identified factors associated with delayed triage. RESULTS: Further information was requested for 67/447 (15%) referrals, resulting in median delay in time-to-triage of seven days. Delayed triage was associated with four factors: lack of musculoskeletal physical examination, referral from family physicians versus other specialty, missing information regarding management, and lack of rheumatic diagnosis of concern. Rheumatic diagnoses resulted from 42% of all referrals overall, specifically from 170/384 (44%) of immediately triaged referrals and 19/63 (30%) of referrals requiring further information. Rheumatic diagnoses resulted less commonly from family physician referrals. CONCLUSIONS: Missing important details in referrals to pediatric rheumatology contribute to delayed assessment. These findings can inform initiatives to educate physicians around relevant content of referral letters to facilitate timely access to care.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».