Establishing physician to patient ratios and predicting workforce needs for Canadian pediatric hematology‐oncology programs
Notice bibliographique
Résumé
BACKGROUND: A Human Resources (HR) Committee of C17, the national network of Canadian academic pediatric hematology/oncology programs, obtained comprehensive data enabling analysis and planning for the physician workforce. This study establishes physician to patient ratios and predicts workforce needs for Canadian pediatric hematology/oncology programs. PROCEDURES: Over a 10-year period, six surveys were sent to the 17 pediatric tertiary care centers treating children with cancer and blood disorders. Data were obtained on physician demographics, full time equivalent (FTE) positions, and time spent in clinical, research, education, and administrative activities. Survey results were debated at the C17 national meetings to obtain consensus on workload ratios. RESULTS: Since 1999, the pediatric hematologist/oncologist workforce has increased from 71 FTE (43 oncology, 20 hematology, 8 BMT) to 109.5 FTE positions (69.7 oncology, 29.4 hematology, and 10.4 BMT). The median age of pediatric hematologists/oncologists increased from 46 years to 52 years and the male to female ratio changed from 1.8:1 to 0.9:1. The 2011 job profile showed the median time spent on activities was 60% clinical, 15% education, 15% research, and 10% administration. After assessing workload, models of care, and optimal physician FTE per program, the C17 HR Committee recommended a ratio of one oncologist per 15 newly diagnosed patients with malignancy and a ratio of one BMT physician per 15 transplants. For every 2.5 oncologists, a 1.0 hematologist is the minimum required. CONCLUSION: Physician staffing ratios for pediatric hematology/oncology programs have been established and should be adopted across Canadian academic institutions as a standard.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».