Using Nurse Practitioners to Optimize Patient Flow in a Pediatric Emergency Department
Notice bibliographique
Résumé
OBJECTIVES: Using nurse practitioners (NPs) in pediatric emergency departments (PEDs) is commonplace in the United States, yet little is known on the impact of NPs on patient flow measures in these environments. This study quantifies the impact of NPs on 2 common measures of patient flow. METHODS: We conducted a retrospective cohort study using administrative data from an academic tertiary care PED. Mean shift length of stay (LOS) and the daily proportion of patients leaving without being seen (LWBS) by a clinician were compared between shifts with and without NPs on duty, matched for external variables affecting the level of activity in the department. Multivariate regression analyses were also conducted to further adjust for covariates such as the total number of PED care providers, patient acuity distribution, and total volume seen in the ED. RESULTS: Despite a slightly reduced total number of providers present on shifts with NPs on duty, a modest but statistically significant reduction in mean shift LOS (-19.11 minutes [95% confidence interval (CI), -31.01 to -7.22]) and daily proportion of LWBS (-1.11% [95% CI, -1.97% to -0.26%]) was observed for shifts with NPs compared with shifts without NPs on duty. Regression analyses showed that incremental NPs on shift were associated with a decreased LOS (-18.76 minutes [95% CI, -24.51 to -13.02]) as well as a reduced odds of LWBS (odds ratio, 0.56; 95% CI, 0.37-0.87). CONCLUSIONS: Nurse practitioners have a modest impact on patient flow measures in a PED and are a valuable resource to optimize patient flow.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».