Impact of Physician Navigators on productivity indicators in the ED
Notice bibliographique
Résumé
OBJECTIVES: We created Physician Navigators in our ED to help improve emergency physician (EP) productivity. We aimed to quantify the effect of Physician Navigators on measures of EP productivity: patient seen per hour (Pt/hr), and turn-around time (TAT) to discharge. Secondary objectives included examining their impact on measures of ED throughput for non-resuscitative patients: ED length of stay (LOS), door-to-physician time and left-without-being-seen rates (LWBS). METHODS: In this retrospective study, 6845 clinical shifts worked by 20 EPs at a community ED in Newmarket, Canada from 1 January 2012 to 31 March 2015 were evaluated. Using a clustered design, we compared productivity measures between shifts with and without Physician Navigators, by physician. We used a linear mixed model to examine mean changes in Pt/hr and TAT to discharge for EPs who employed Physician Navigators. For secondary objectives, autoregressive modelling was performed to compare ED throughput metrics before and after the implementation of Physician Navigators for non-resuscitative patients. RESULTS: Patient volumes increased by 20 patients per day (p<0.001). Mean Pt/hr increased by 1.07 patients per hour (0.98 to 1.16, p<0.001). The mean TAT to discharge decreased by 10.6 min (-13.2 to -8.0, p<0.001). After implementation of the Physician Navigator programme, overall mean LOS for non-resuscitative patients decreased by 2.6 min (p=0.007), and mean door-to-physician time decreased by 7.4 min (p<0.001). LBWS rates decreased from 1.13% to 0.63% of daily patient volume (p<0.001). CONCLUSION: Despite an ED volume increase, the use of a Physician Navigator was associated with significant improvements in EP productivity, and significant reductions in ED throughput times.
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 | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».