Predictors Of Time Spent by Nurse Practitioners In Primary Care, Home Care And Long-Term Care On Activities In Two Canadian Provinces: Time And Motion Studies
Notice bibliographique
Résumé
Aim: To identify the factors that influence the time nurse practitioners (NPs) in primary care, home care and long-term care spend on activities in two Canadian provinces. Background: Little is known about how patient, provider, and organizational characteristics influence the time NPs spend when caring for patients in primary care. Methods: Time and motion studies (n=30 NPs, 829 hr, 14 practices). Data were collected in Québec from May 2017–May 2018 and in Ontario from March–November 2015. Descriptive statistics and linear regression analysis were completed. Findings: NPs spent 66% (Ontario) to 68% (Québec) of work time on clinical activities. Mean time spent by NPs in patient encounters in Québec varied by setting (long-term care: 13 min 21 s; primary care: 22 min 10 s; and home care: 26 min 25 s). In Ontario, time spent by NPs in patient encounters averaged 25 min 48 s in primary care. In Québec, significant associations were found between number of clinical and non-clinical activities, health maintenance/wellness visit, chronic illness follow-up, patient gender (woman), urban location, and multiple informants in the exam room and NP time spent on activities. In Ontario, associations were identified between number of clinical and non-clinical activities, chronic illness follow-up, NP gender (woman), and acute/minor injury and NP time spent on activities. Conclusion: Time NPs spend on activities differed depending on patient, provider, organizational and health system characteristics. NP activities cut across all role dimensions. The practice setting, number of clinical and non-clinical activities, and chronic illness follow-up were significant predictors of time spent on activities. Our study provides a comprehensive overview of NP activities and the factors that influence time spent on these activities while working in health systems with more and less restrictive scope of practice regulations, and with a wide range of patient populations in primary care.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».