Hospitalist time‐motion studies: A systematic review
Notice bibliographique
Résumé
BACKGROUND: Hospitalist workflows have evolved significantly, yet optimal workflows and workloads remain ill-defined. Time and motion studies (TMSs) offer insights into hospitalist activities but face methodological challenges, including variability and lack of standardization. OBJECTIVES: We aimed to systematically review TMSs of hospitalist workflows, assess trends in direct and indirect patient care, and develop a novel quality assessment tool for evaluating TMS studies. METHODS: We conducted a comprehensive search of Ovid MEDLINE (1946-October 2024), Embase (1947-October 2024), and Web of Science (1974-October 2024) in August 2023 and updated October 7, 2024. We included studies that employed observational or quantitative TMS methods focused on attending hospitalists in US general adult inpatient settings and reported the proportion of time spent in direct and indirect patient care. We assessed study quality using a quality assessment tool adapted from the Newcastle-Ottawa scale. RESULTS: Seven studies met the inclusion criteria. Direct patient care accounted for a mean of 18% (range: 13%-25%) of observed time. We identified high variability in study quality, with scores ranging from 2 to 5 out of eight stars. Significant study variability precluded statistical analysis of trends, though a narrative synthesis was possible. Few studies represented diverse settings or shifts. CONCLUSIONS: This review utilizes a novel quality assessment tool and highlights the need for standardized TMS methodologies to enable longitudinal comparisons and more accurate assessments of hospitalist workflows. Future studies should integrate validated tools, consider multitasking, and explore emerging metrics beyond productivity.
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 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».