Radiotherapy staffing in the European countries: Final results from the ESTRO-HERO survey
Notice bibliographique
Résumé
BACKGROUND: The ESTRO Health Economics in Radiation Oncology (HERO) project has the overall aim to develop a knowledge base of the provision of radiotherapy in Europe and build a model for health economic evaluation of radiation treatments at the European level. The first milestone was to assess the availability of radiotherapy resources within Europe. This paper presents the personnel data collected in the ESTRO HERO database. MATERIALS AND METHODS: An 84-item questionnaire was sent out to European countries, through their national scientific and professional radiotherapy societies. The current report includes a detailed analysis of radiotherapy staffing (questionnaire items 47-60), analysed in relation to the annual number of treatment courses and the socio-economic status of the countries. The analysis was conducted between February and July 2014, and is based on validated responses from 24 of the 40 European countries defined by the European Cancer Observatory (ECO). RESULTS: A large variation between countries was found for most parameters studied. Averages and ranges for personnel numbers per million inhabitants are 12.8 (2.5-30.9) for radiation oncologists, 7.6 (0-19.7) for medical physicists, 3.5 (0-12.6) for dosimetrists, 26.6 (1.9-78) for RTTs and 14.8 (0.4-61.0) for radiotherapy nurses. The combined average for physicists and dosimetrists is 9.8 per million inhabitants and 36.9 for RTT and nurses. Radiation oncologists on average treat 208.9 courses per year (range: 99.9-348.8), physicists and dosimetrists conjointly treat 303.3 courses (range: 85-757.7) and RTT and nurses 76.8 (range: 25.7-156.8). In countries with higher GNI per capita, all personnel categories treat fewer courses per annum than in less affluent countries. This relationship is most evident for RTTs and nurses. Different clusters of countries can be distinguished on the basis of available personnel resources and socio-economic status. CONCLUSIONS: The average personnel figures in Europe are now consistent with, or even more favourable than the QUARTS recommendations, probably reflecting a combination of better availability as such, in parallel with the current use of more complex treatments than a decade ago. A considerable variation in available personnel and delivered courses per year however persists among the highest and lowest staffing levels. This not only reflects the variation in cancer incidence and socio-economic determinants, but also the stage in technology adoption along with treatment complexity and the different professional roles and responsibilities within each country. Our data underpin the need for accurate prediction models and long-term education and training programmes.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».