MétaCan
Menu
← Retour à la cohorte
Enregistrement W4417259762 · doi:10.64898/2025.12.09.25341895

Ontario family physicians’ experiences with digital self-triage patient navigator tools: Lessons from the COVID-19 pandemic for digital-first approaches in primary care

2025· preprint· W4417259762 sur OpenAlexaffabout
Laurel Austin, Marisa Kfrerer, Robert D. Austin, Christina Ziebart, Daniel Pepe

Notice bibliographique

RevuemedRxiv · 2025
Typepreprint
Langue
DomaineMedicine
ThématiqueArtificial Intelligence in Healthcare and Education
Établissements canadiensLondon Health Sciences CentreWestern University
Organismes subventionnairesnon disponible
Mots-clésTriagePandemicTheme (computing)Adaptation (eye)Grounded theoryPerceptionQualitative researchPublic health

Résumé

récupéré en direct d'OpenAlex

Abstract Aim To explore Ontario primary care physician and nurse practitioner experiences with, and perceptions of, digital self-triage patient navigator tools, and to identify implications for future design and implementation. Background Purported benefits of digital self-triage tools include triage any time/place, easily updated triage logic, and reduced primary care demand. The COVID-19 pandemic provided a particularly important context for studying digital self-triage; primary care clinicians are an important group to learn from, but their perspectives have received little attention. Methods We interviewed fourteen Ontario family physicians/nurse practitioners in Spring 2021 using semi-structured interviews. We asked about experiences with, and perceptions of, digital self-triage tools, including the province’s centralized tool. Interview data were analyzed using reflexive thematic analysis. Findings Participants had limited awareness of the provincial tool. They had greater awareness of locally developed tools that were intended to mimic the provincial tool’s logic, but that were integrated into primary care. Respondents noted local tools were embedded in EMR systems, enabled scheduling, and were designed by others they knew and trusted. Respondents preferred self-assessment tools positioned as adjuncts to, rather than replacements for, clinical care, due to concerns about coordination and continuity of care. Concerns centred on tool efficacy, user input and interpretation, and access and equity. Conclusions This study highlights a gap between stand-alone digital self-triage tools (meant to reduce demand on primary care) and primary care. Locally developed tools intended to mimic that centralized tool, but integrated into primary care, are preferred. This aids primary care coordination and workflows but undermines ability to provide standardized triage anywhere, at any time, via a centralized tool, key benefits of digital self-triage. Future self-triage tools may be more effective if centrally maintained, but interoperable with local systems, developed with physician input, and customizable to support clinical workflows and continuity of 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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,593
Score d'incertitude au seuil0,809

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,024
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0140,008
Communication savante0,0050,003
Science ouverte0,0020,005
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,251
Tête enseignante GPT0,375
Écart entre enseignants0,124 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetArtificial Intelligence in Healthcare and Education→Travaux en français237 207→