Canadian-based case studies of PA models of care (Commentaries on health services research)
Notice bibliographique
Résumé
The authors used a time and motion study (office hours) and self-reported diary (after hours) to describe how time is spent in ambulatory practice. Family medicine, internal medicine, cardiology, and orthopedic physicians were observed. In-office physicians spent 27% of their total time on direct clinical face time with patients and 49% of their time on electronic health records (EHRs) and deskwork. While in the examination room with patients, they spent 53% of the time on direct clinical face time and 37% on EHRs and deskwork. Physicians reported 1 to 2 hours of after-hours work each night, devoted mostly to EHR tasks. For every hour physicians provide direct clinical face time to patients, nearly 2 additional hours is spent on EHRs and deskwork in the clinic day. Outside office hours, physicians spend another 1 to 2 hours of personal time each night doing additional computer and other clerical work.1 Commentary by Roderick S. Hooker: A time and motion study is a business efficiency technique combining the time study work of Frederick Taylor with the motion study work of Frank and Lillian Gilbreth a century ago. This technique remains applicable today in human resource and animal observation investigations.2 Additionally, time-motion data are typically considered highly valued evidence in efficiency research. Jane Record's seminal time-motion study on PAs and supervising physicians in the 1970s remains embedded in medical labor economics as early evidence of team-based synergy.3 What this American Medical Association-sponsored physician time-motion study illustrates is that EHRs are culprits in offsetting patient time with clerical work that consumes twice as much labor. EHRs were not present in early organizational studies of physicians and other health professionals but have now emerged to be the bane of existence for many fatigued providers. This outpatient study validates inpatient observations that what providers perceive they are doing daily differs significantly from what they are systematically observed to be doing.4
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 | 0,021 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,008 |
| Études des sciences et des technologies | 0,013 | 0,008 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,019 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,002 |
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 ».