Role of Advanced Nurse Practitioners and Physician Assistants in Washington State
Notice bibliographique
Résumé
PURPOSE: In response to the looming oncology manpower shortage, the Washington State Medical Oncology Society (Vancouver, WA) surveyed medical oncology practices in Washington regarding employment patterns for advanced nurse practitioners (ANPs) and physician assistants (PAs) in oncology. METHODS: Funded by a 2008 ASCO State Affiliate Grant and using Surveymonkey.com as a platform, practices were queried regarding practice demographics, employment patterns, and functions of ANPs and PAs. RESULTS: Of the total queried, 25 practices (50%) responded, representing the spectrum of single-specialty (n = 8), multispecialty (n = 7), hospital-based (n = 6), and academic practices (n = 4). Sixty-eight percent of practices employed ANPs and/or PAs. Compared with PAs, ANPs were more likely to work independent of supervision (64% v 0%), perform follow-up in the outpatient setting (93% v 77%), evaluate patients in infusion centers (71% v 62%), and provide genetic counseling (42% v 0%). PAs were more likely to see hospitalized patients (62% v 42%) and supervise infusion centers (15% v 7%). New patient consultations were performed with similar frequency (PAs, 29% and ANPs, 31%). ANPs were more likely to review research eligibility (25% v 15%), obtain informed consent (33% v 15%), and monitor compliance (13% v 8%). CONCLUSION: Washington practices have embraced advanced practitioners. Given the diversity of practice patterns, practices can learn from one another how to maximize ANP/NP roles. Practices need to promote practice-based educational opportunities to attract ANPs/PAs to medical oncology.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».