Medical tourism's impacts on health worker migration in the Caribbean: five examples and their implications for global justice
Notice bibliographique
Résumé
Medical tourism is a practice where individuals cross international borders in order to access medical care. This practice can impact the global distribution of health workers by potentially reducing the emigration of health workers from destination countries for medical tourists and affecting the internal distribution of these workers. Little has been said, however, about the impacts of medical tourism on the immigration of health workers to medical tourism destinations. We discuss five patterns of medical tourism-driven health worker migration to medical tourism destinations: 1) long-term international migration; 2) long-term diasporic migration; 3) long-term migration and 'black sheep'; 4) short-term migration via time share; and 5) short-term migration via patient-provider dyad. These patterns of health worker migration have repercussions for global justice that include potential negative impacts on the following: 1) health worker training; 2) health worker distributions; 3) local provision of care; and 4) local economies. In order to address these potential negative impacts, policy makers in destination countries should work to ensure that changes in health worker training and licensure aimed at promoting the medical tourism sector are also supportive of the health needs of the domestic population. Policy makers in both source and destination countries should be aware of the effects of medical tourism on health worker flows both into and out of medical tourism destinations and work to ensure that the potential harms of these worker flows to both groups are mitigated.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».