Do International Medical Graduates (IMGs) “Fill the Gap” in Rural Primary Care in the United States? A National Study
Notice bibliographique
Résumé
CONTEXT: The contribution that international medical graduates (IMGs) make to reducing the rural-urban maldistribution of physicians in the United States is unclear. Quantifying the extent of such "gap filling" has significant implications for planning IMG workforce needs as well as other state and federal initiatives to increase the numbers of rural providers. PURPOSE: To compare the practice location of IMGs and US medical graduates (USMGs) practicing in primary care specialties. METHODS: We used the 2002 AMA physician file to determine the practice location of all 205,063 primary care physicians in the United States. Practice locations were linked to the Rural-Urban Commuting Areas, and aggregated into urban, large rural, small rural, and isolated small rural areas. We determined the difference between the percentage of IMGs and percentage of USMGs in each type of geographic area. This was repeated for each Census Division and state. FINDINGS: One quarter (24.8% or 50,804) of primary care physicians in the United States are IMGs. IMGs are significantly more likely to be female (31.9% vs 29.9%, P < .0001), older (mean ages 49.7 and 47.1 year, P < .0001), and less likely to practice family medicine (19.0% vs 38%, P < .0001) than USMGs. We found only two Census Divisions in which IMGs were relatively more likely than USMGs to practice in rural areas (East South Central and West North Central). However, we found 18 states in which IMGs were more likely, and 16 in which they were less likely to practice in rural areas than USMGs. CONCLUSIONS: IMGs fill gaps in the primary care workforce in many rural areas, but this varies widely between states. Policies aimed to redress the rural-urban physician maldistribution in the United States should take into account the vital role of IMGs.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».