Workload and patterns of care in the Timmins Family Health Team in Ontario
Notice bibliographique
Résumé
OBJECTIVE: To characterize primary care physician and nurse practitioner ("GP") workload and availability, and any relationship with daytime, low-acuity emergency department (ED) and after-hours walk-in clinic (WIC) visit counts. DESIGN: Retrospective database review. SETTING: Timmins, Ont, with 5 family health team (FHT) office sites, 1 after-hours FHT WIC, and 1 ED. PARTICIPANTS: An anonymous data set representing 21 voluntarily enrolled GPs comprising 33 211 office appointments among 15 908 patients, plus 2043 ED visits and 2713 WIC visits, over 18 months. MAIN OUTCOME MEASURES: was defined as the corrected number of office visits per patient per year. Linear and nonlinear relationships between GP availability and each roster's chronic disease burden (congestive heart failure, chronic obstructive pulmonary disease, and diabetes); ED visit count per patient; and WIC visit count per patient. RESULTS: Corrections for dormant patients and then for each of relative nursing support and patient complexity changed roster sizes by a mean (SD) of -8.4% (14.5%), -7.1% to 5.6% (median -1.6%), and 32.0% (18.2%), respectively. Combining these corrections increased effective roster size by a mean (SD) of 18.4% (7.3%). Larger rosters were not proportionately more dormant. In the Timmins FHT, GPs saw unique patients about 2.05 times per year (range 1.39 to 3.81). Availability of GPs did not change with increasing numbers of patients with congestive heart failure, chronic obstructive pulmonary disease, or diabetes in the roster. The ED diversion model had low explanatory power and was likely unreliable. The WIC diversion model was more robust, predicting 0.08 fewer WIC visits per patient per year if GP availability increased from 2.0 to 3.0 visits per patient per year (relative risk reduction of 41%). CONCLUSION: Sampled GPs manage a more complex patient population on average than their uncorrected roster sizes imply. There was no evidence that larger rosters or those with more patients with comorbid conditions reduced GP availability. Increasing physician availability might decrease WIC attendance.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».