Patient‐controlled use of nonphysician providers: Appointment scheduling in mixed‐provider settings
Notice bibliographique
Résumé
The aging population and increasing chronic disease load are rapidly changing the face of primary care delivery, with mid‐level (e.g., nurse) practitioners providing growing proportion of patient care. Potential differences in the quality of care offered by physicians and nurse practitioners may affect patient preferences, thus leading to patient choice behavior. This paper focuses on the problem of appointment scheduling for physician–nurse teams in the presence of patient choice and no‐shows. We propose a novel model that accounts for patient choices in a system with two provider types. Despite the increased structural complexity of the model, we derive sufficient conditions under which the problem is efficiently solvable. To counter the computational challenges arising in the general setting, we propose an easy‐to‐implement heuristic, which is proven to be optimal in the absence of patient no‐shows. Our numerical study shows how the ratio of qualities of care delivered by nurses and physicians affect the profitability of the medical practice, enabling the analysis of the trade‐offs involved in hiring a nurse practitioner. This paper introduces a patient‐controlled approach to incorporating nonphysician providers into physician‐led outpatient care delivery systems and compares it to widely used “ice breaker” and “standalone” modes of using nonphysician providers. Our findings reveal that clinical practices that employ mixed (physicians and nonphysicians) provider pools can significantly improve their financial and operational performance by moving away from the “ice breaker” and “standalone” use of nonphysician providers by delaying the selection of an appropriate care provider till the actual day of care delivery.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».