Workload measurement in subspecialty dermatopathology
Notice bibliographique
Résumé
AIM: To measure pathologist workload in subspecialty dermatopathology. METHODS: Three subspecialty dermatopathologists, working in a university-affiliated laboratory, participated in a time-motion study during which they reported 2891 consecutive skin cases received from community-based dermatologists. All pathology reports were retrospectively reviewed and workload measured using the Royal College of Pathologists (RCPath) guidelines and the level 4 equivalent (L4E) method. RESULTS: The majority of dermatopathology cases were scored as low (32%) or intermediate (52%) complexity using the RCPath matrix. Only 16% of cases were considered high or very high complexity. The mean RCPath score per case was 2.68 units. Using L4E complexity levels, 83% of specimens were level 3, 15% were level 4, and only 2% were higher complexity (levels 5 and 6). Mean values for specimens/case, blocks/case, and slides/case were 1.31, 1.52, and 2.92, respectively. Time-motion analysis demonstrated a mean workload per hour of 16.3 cases, 21.3 specimens, 45.1 slides, 43.0 RCPath units, and 12.2 L4E. All three dermatopathologists reported >35 RCPath units per hour. CONCLUSIONS: The RCPath histopathology workload guidelines underestimate the workload achievable by an experienced dermatopathologist, and thus are not directly applicable to subspecialty dermatopathology practice. Hourly work rates 3-4 times that recommended by the RCPath workload matrix are routinely achievable, but extrapolation to yearly workload estimates requires detailed knowledge of practice pattern and time required for non-clinical duties such as teaching, research and administration.
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 | 0,003 | 0,002 |
| 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 ».