Availability of Advanced Practice Providers in Adult Intensive Care Units in the United States: A Survey
Notice bibliographique
Résumé
BACKGROUND: How advanced practice providers (APPs) are deployed in adult US intensive care units (ICUs) is understudied. Further, whether state-level restrictions on practice affect the availability of these providers is unknown. OBJECTIVES: To describe staffing patterns of ICU APPs (nurse practitioners, physician assistants) in the context of physicians-in-training (interns, residents, fellows) and to explore the association between state-level APP practice restrictions and employment. METHODS: Data from a national survey of pre-COVID-19 (steady-state) ICU staffing linked to the 2020 American Hospital Association survey were used to examine staffing patterns (via descriptive statistics) and to explore the association of state-level practice restrictions with the presence of APPs in ICUs (via multivariable regression). RESULTS: The cohort included 588 adult ICUs, of which 336 (57.1%) reported both APPs and physicians-in-training, 124 (21.1%) APPs only, 73 (12.4%) physicians-in-training only, and 55 (9.4%) neither. Units with both provider types were more commonly surgical ICUs (17.6% vs ≤9.6%; P < .001), whereas those with neither were 98.2% mixed units. Those units with neither were smaller and more often in smaller, nonteaching, for-profit hospitals in nonmetropolitan areas. Two hundred twenty-five ICUs (38.3%) were in states allowing full APP practice scope. After adjustment, the odds of employing APPs were nonsignificantly higher in ICUs in full-practice states. CONCLUSIONS: Both APPs and physicians-in-training are commonly deployed in US adult ICUs, often together. Laws limiting practice scope may impede deployment of these providers in ICUs.
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 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».