Is Call Karma Real? Resident After-Hours On-Call Imaging at the University of Saskatchewan: An Assessment of Call Volumes Including Inter-Resident Variability
Notice bibliographique
Résumé
PURPOSE: Quantify resident caseload during call and determine if there are consistent differences in call volumes for individuals or resident subgroups. METHODS: Accession codes for after-hours computed tomography (CT) cases dictated by residents between July 1, 2012 and January 9, 2017 were reviewed. Case volumes by patient visits and body regions scanned were determined and categorized according to time period, year, and individual resident. Mean shift Relative Value Units (RVUs) were calculated by year. Descriptive statistics, linear mixed modeling, and linear regression determined mean values, differences between residents, associations between independent variables and outcomes, and changes over time. Consistent differences between residents were assessed as a measure of good or bad luck / karma on call. RESULTS: During this time there were 23,032 patients and 30,766 anatomic regions scanned during 1,652 call shifts among 32 residents. Over the whole period, there were on average 10.6 patients and 14.3 body regions scanned on weekday shifts and 22.3 patients and 29.4 body regions scanned during weekend shifts. Annually, the mean number of patients, body regions, and RVUs scanned per shift increased by an average of 0.2 (1%), 0.4 (2%), and 1.2 (5%) (all p < 0.05) respectively in regression models. There was variability in call experiences, but only 1 resident had a disproportionate number of higher volume calls and fewer lower volume shifts than expected. CONCLUSIONS: Annual increases in scan volumes were modest. Although residents' experiences varied, little of this was attributable to consistent personal differences, including luck or call karma.
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 | 0,002 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».