Impact of microgeography on communication dynamics in a healthcare environment
Notice bibliographique
Résumé
BACKGROUND: For growing healthcare organisations, anchored resources-assets that are not easily movable-may complicate expansion and distort workflow patterns. We examine work patterns at a radiation oncology department of a major Canadian hospital. As this department doubled its size, healthcare providers remained bound to treatment planning rooms and radiation machines at the original site. This study examines workplace communication and interactions before and after the expansion. METHODS: We conducted regression analyses using a unique dataset merging email communications, badge swipes, office locations and organisation charts for individuals that routinely use the treatment planning room (n=232). We use a difference-in-differences framework to compare individuals' behaviours before and after the expansion. Our dependent variables were how often individuals accessed the treatment planning room and email volumes between two individuals. FINDINGS: We find an overall decrease in the use of the treatment planning room, though the effect was larger for those that moved away from it. Further, we find an increase in email communication for dyads of individuals separated in the move, but only if they belonged to different departments. PRACTICAL IMPLICATIONS: Our research points to complex interdependencies among healthcare providers, shedding light on how hospital expansion may have unintended consequences. Healthcare leaders should acknowledge that interaction patterns will be affected when healthcare providers are separated from each other or from anchored resources. Shifting to remote interactions may be adequate in some instances; in others, it may negatively affect work outcomes as well as the engagement and satisfaction of providers and patients.
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 | 0,000 |
| 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) | 0,000 | 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 ».