Changes in Primary Care Graduate Medical Education Are Not Correlated With Indicators of Need: Are States Missing an Opportunity to Strengthen Their Primary Care Workforce?
Notice bibliographique
Résumé
PURPOSE: Federal and state graduate medical education (GME) funding exceeds $15 billion annually. It is critical to understand mechanisms to align undergraduate medical education (UME) and GME to meet workforce needs. This study aimed to determine whether states' primary care GME (PCGME) trainee growth correlates with indicators of need. METHOD: Data from the American Medical Association Physician Masterfile, the Association of American Medical Colleges, the American Association of the Colleges of Osteopathic Medicine, and the U.S. Census were analyzed to determine how changes between 2002 and 2012 in PCGME trainees-a net primary care physician (PCP) production estimate-correlated with state need using three indicators: (1) PCP-to-population ratio, (2) change in UME graduates, and (3) population growth. RESULTS: Nationally, PCGME trainees declined by 7.1% from the net loss of 679 trainees (combined loss of 54 postgraduate year 1 trainees in internal medicine, family medicine, and pediatrics and addition of 625 fellowship trainees in those specialties). The median state PCGME decline was 2.7%. There was no correlation between the percent change in states' PCGME trainees and PCP-to-population ratio (r = -0.06) or change in UME graduates (r = 0.17). Once adjusted for population growth, PCGME trainees declined by 15.3% nationally; the median state decline was 9.7%. CONCLUSIONS: There is little relationship between PCGME trainee growth and state need indicators. States should capitalize on opportunities to create explicit linkages between UME, GME, and population need; strategically allocate Medicaid GME funds; and monitor the impact of workforce policies and training institution outputs.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».