The value of survival analyses for evidence-based rural medical workforce planning
Notice bibliographique
Résumé
BACKGROUND: Globally, abundant opportunities exist for policymakers to improve the accessibility of rural and remote populations to primary health care through improving workforce retention. This paper aims to identify and quantify the most important factors associated with rural and remote Australian family physician turnover, and to demonstrate how evidence generated by survival analysis of health workforce data can inform rural workforce policy making. METHODS: A secondary analysis of longitudinal data collected by the New South Wales (NSW) Rural Doctors Network for all family physicians working in rural or remote NSW between January 1(st) 2003 and December 31(st) 2012 was performed. The Prentice, Williams and Peterson statistical model for survival analysis was used to identify and quantify risk factors for rural NSW family physician turnover. RESULTS: Multivariate modelling revealed a higher (2.65-fold) risk of family physician turnover in small, remote locations compared to that in small closely settled locations. Family physicians who graduated from countries other than Australia, United Kingdom, United States of America, New Zealand, Ireland, and Canada also had a higher (1.45-fold) risk of turnover compared to Australian trained family physicians. This was after adjusting for the effects of conditional registration. Procedural skills and public hospital admitting rights were associated with a lower risk of turnover. These risks translate to a predicted median survival of 11 years for Australian-trained family physician non-proceduralists with hospital admitting rights working in small coastal closely settled locations compared to 3 years for family physicians in remote locations. CONCLUSIONS: This study provides rigorous empirical evidence of the strong association between population size and geographical location and the retention of family physicians in rural and remote NSW. This has important policy ramifications since retention grants for rural and remote family physicians in Australia are currently based on a geographical 'remoteness' classification rather than population size. In addition, this study demonstrates how survival analysis assists health workforce planning, such as through generating evidence to assist in benchmarking 'reasonable' lengths of practice in different geographic settings that might guide service obligation requirements.
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 | 0,375 | 0,652 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,008 |
| Bibliométrie | 0,014 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 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 ».