Impact of Physicians’ Characteristics on the Admission Risk Among Children Visiting a Pediatric Emergency Department
Notice bibliographique
Résumé
OBJECTIVE: This study aimed to assess the impact of physicians' gender, work experience, and training on hospitalization among children visiting a pediatric emergency department (ED). METHODS: This retrospective cohort study used the computerized database of a tertiary care pediatric ED staffed by pediatric emergency physicians, general pediatricians, and general emergency physicians. Participants were all children evaluated in the ED between April 1, 2008, and March 31, 2009. The primary outcome was hospitalization, and secondary outcome was unscheduled return in the 48 hours after discharge from the ED. Determinants of outcomes were physician's gender, experience, and specialty training. Multivariate logistic regression was used to evaluate associations between physicians' characteristics and the risk of admission, adjusting for referral status, triage level, chief complaints, and other potential risk factors. RESULTS: Forty-five physicians evaluated 49,146 patients during the study period. Physicians' individual admission and return rates varied from 1% to 24% and 0% to 11%, respectively. On multiple logistic regression, physician's gender was not a predictor of admission but the physician's years of experience was slightly associated with both admission rates and unscheduled return visits. As a group, pediatric emergency physicians demonstrated a lower admission rate than physicians trained in general pediatric or general emergency medicine. CONCLUSIONS: Individual physician's admissions proportions vary widely. Providers' experience and specialization in pediatric emergency medicine are weak predictors of admission, whereas gender was not associated.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».