Physician recruitment and retention in rural and underserved areas
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: The purpose of this paper is to identify the challenges when recruiting and retaining rural physicians and to ascertain methods that make rural physician recruitment and retention successful. There are studies that suggest rural roots is an important factor in recruiting rural physicians, while others look at rural health exposure in medical school curricula, self-actualization, community sense and spousal perspectives in the decision to practice rural medicine. DESIGN/METHODOLOGY/APPROACH: An extensive literature review was performed using Academic Search Complete, PubMed and The Cochrane Collaboration. Key words were rural, rural health, community hospital(s), healthcare, physicians, recruitment, recruiting, retention, retaining, physician(s) and primary care physician(s). Inclusion criteria were peer-reviewed full-text articles written in English, published from 1997 and those limited to USA and Canada. Articles from foreign countries were excluded owing to their unique healthcare systems. FINDINGS: While there are numerous articles that call for special measures to recruit and retain physicians in rural areas, there is an overall dearth. This review identifies several articles that suggest recruitment and retention techniques. There is a need for a research agenda that includes valid, reliable and rigorous analysis regarding formulating and implementing these strategies. ORIGINALITY/VALUE: Rural Americans are under-represented when it comes to healthcare and what research there is to assist recruitment and retention is difficult to find. This paper identify the relevant research and highlights key strategies.
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.
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 | 0,003 | 0,000 |
| 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 | 0,001 |
| 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 découle