Effect of a physician assistant on quality and efficiency metrics in an emergency department
Notice bibliographique
Résumé
<h3>Abstract</h3> <h3>Objective</h3> To determine the effect of a physician assistant (PA) working in a secondary care hospital emergency department (ED) on the overall performance of the ED. <h3>Design</h3> A retrospective review of ED data from April 1, 2017, to September 30, 2017. <h3>Setting</h3> Belleville General Hospital, a secondary care hospital, ED in Ontario. <h3>Participants</h3> A physician assistant, 13 emergency physicians, and 7 family physicians. <h3>Main outcome measures</h3> Overall ED performance was evaluated using metrics from the Ontario Ministry of Health and Long-Term Care: rate of patients who left without being seen, provider initial assessment time at the 90th percentile, and the average provider initial assessment time for all patients over a 6-month period. <h3>Results</h3> In the PA group, there was a lower average daily left without being seen rate (3.4% vs 5.2%; <i>P</i> < .001), a lower provider initial assessment time at the 90th percentile (3.9 hours vs 4.5 hours; <i>P</i> < .001), a lower average provider initial assessment time (114.83 minutes vs 139.46 minutes; <i>P</i> < .001), and a lower average length of stay (313.85 minutes vs 348.91 minutes; <i>P</i> < .001). <h3>Conclusion</h3> This study suggests that a PA has a statistically significant positive effect on the overall performance of an ED. Future studies should examine the effect of a PA on quality of care and hospital funding.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».