Notice bibliographique
Résumé
PURPOSE: There is a projected shortage of primary care physicians in the United States, and providers other than U.S medical graduates may be needed to fill the gap. The authors conducted this study to quantify the contribution that Caribbean-educated physicians make to the U.S. primary care workforce. METHOD: Using May 2011 American Medical Association Physician Masterfile and Educational Commission for Foreign Medical Graduates data, the authors identified physicians whose Masterfile records indicated that they provided direct patient care. They classified these physicians according to the type of medical school from which they graduated: graduates of Caribbean medical schools (C-IMGs), graduates of other international medical schools (non-C-IMGs), graduates of U.S. MD-granting medical schools (USMGs), and graduates of U.S. DO-granting medical schools (DOs). They then calculated the frequencies and percentages of self-designated primary care specialties for each physician classification. RESULTS: There were 684,469 physicians in direct patient care categories for whom data were available concerning medical school and self-designated specialty. About one-quarter of these physicians were graduates of international medical schools (C-IMGs: 3.0%, n = 20,333; non-C-IMGs: 20.4%, n = 139,415), and approximately three-quarters were U.S. medical school graduates (USMGs: 70.3%, n = 481,061; DOs: 6.4%, n = 43,660). Overall, C-IMGs had the highest proportion of physicians practicing in primary care specialties (56.7%) compared with non-C-IMGs (42.3%), USMGs (32.9%), and DOs (54.0%). CONCLUSIONS: More than half of Caribbean-educated physicians involved in direct patient care are practicing in primary care specialties, thereby making an important contribution to the U.S. primary care workforce.
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 | 0,006 | 0,003 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».