Physician assistants/associates in psychiatry: a workforce analysis
Notice bibliographique
Résumé
BACKGROUND: Physician assistants/associates (PAs) provide services in diverse medical specialties globally, including psychiatry. While health professionals in psychiatry have been described for many years, little is known about PAs practicing in this discipline. METHODS: We describe US PAs practicing in psychiatry using robust national data from the National Commission on Certification of Physician Assistants (NCCPA). Analyses included descriptive and inferential statistics comparing PAs in psychiatry to PAs in all other medical and surgical specialties. RESULTS: The percentage of PAs practicing in psychiatry has increased from 1.1% (n = 630) in 2013 to 2.0% (n = 2 262) in 2021. PAs in psychiatry differed from PAs practicing in all other specialties in the following: they identified predominately as female (71.4% vs. 69.1%; p = 0.016), were more racially diverse (Asian [6.6% vs. 6.0%], Black/African American [5.5% vs. 3.4%], multi-race [2.8% vs. 2.1%], and other races [Native Hawaiian/Pacific Islander, American Indian/Alaska Native, or other; 3.7% vs. 3.6%]; p < 0.001), and resided in the South (43.8% vs. 34.1%; p < 0.001). PAs in psychiatry vs. all other specialties were more likely to work in office-based private practice settings (41.6% vs. 37.3%; p < 0.001) and nearly twice as likely to provide telemedicine services for their patients (62.7% vs. 32.9%; p < 0.001). While one-third (31.9%) of PAs in psychiatry experienced one or more burnout symptoms, and 8.1% considered changing their current position, the vast majority of PAs in psychiatry (86.0%) were satisfied with their position. CONCLUSIONS: Understanding the attributes of PAs in psychiatry is essential in medical labor supply and demand research. Our findings suggest that the number of PAs working in psychiatry is steadily increasing. These PAs were predominantly female, exhibited greater racial diversity, and were primarily located in the South and Midwest regions of the US. A striking difference was that PAs in psychiatry were almost twice as likely to provide telemedicine services for their patients. Although nearly a third of PAs in psychiatry acknowledged having one or more symptoms of burnout, few were considering changing their employment, and the vast majority reported high job satisfaction.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».