Integrating genetic assistants into the workforce: An 18‐year productivity analysis and development of a staff mix planning tool
Notice bibliographique
Résumé
In recent years, genetic (counseling) assistants have been integrated in the genetics workforce, such that one-third of genetic counselors now report working with a genetic assistant. While several studies showed that adoption of the genetic assistant model leads to an increase in patient volume, the impact of this role substitution has not been studied quantitatively beyond the cancer genetics workforce. This study utilized 18 years of data from a publicly funded genetics clinic with multiple specialties and varying staff mix. Time series regression modeling was applied to describe the evolving impact of genetic assistants on genetic counselor and clinical geneticist productivity (measured as patient volume). The regression models suggest that the integration of genetic assistants led to a sustainable increase in genetic counselor patient volume, while clinical geneticist patient volume was unaffected. Importantly, the models also demonstrated an interaction between the number of genetic counselors and genetic assistants, whereby the impact of adding a genetic counselor was greater as more genetic assistants were employed in the clinic, and vice versa. The main regression model was used to create "ClinMix: A Genetics Staff Mix Planning Tool," an Excel application that allows users to explore how different staffing plans could affect patient volume, by applying the parameters estimated from this data or their own. We hope this report and the ClinMix tool can be employed by the genetics workforce to advocate for further implementation and evaluation of genetic assistant positions. Adoption of the genetic assistant model may provide clinics the support needed to meet increasing service delivery demands and subsequently foster genetic counselor practice at "top of scope."
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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 ».