Can interprofessional collaboration provide health human resources solutions? A knowledge synthesis
Notice bibliographique
Résumé
Many studies examine the impact of interprofessional (IP) interventions on various health practice and education outcomes. One significant gap is the lack of research on the effects of IP interventions on health human resource (HHR) outcomes. This project synthesized the literature on the impact of IP interventions at the pre- and post-licensure levels on quality workplace, staff satisfaction, recruitment, retention, turnover, choice of employment and cost effectiveness. Forty-one peer-reviewed articles and five IECPCP project reports were included in the review. We found that IP interventions at the post-licensure level improved provider satisfaction and workplace quality. Including IP learning opportunities into practice education in rural communities or in less popular healthcare specialties attracted a higher number of students and therefore may increase employment rates. This area requires more high quality studies to firmly establish the effectiveness of IP interventions in recruiting and retaining future healthcare professionals. There is strong evidence that IP interventions at the post-licensure level reduced patient care costs. The knowledge synthesis has enhanced our understanding of the relationships between IP interventions, IP collaboration and HHR outcomes. Gaps remain in the knowledge of staff retention and determination of staffing costs associated with IP interventions vis-à-vis patient care costs. None of the studies reported long-term data on graduate employment choice, which is essential to fully establish the effectiveness of IP interventions as a HHR recruitment strategy.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».