Human resources for health in Peru: recent trends (2007–2013) in the labour market for physicians, nurses and midwives
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Most analyses of gaps in human resources for health (HRH) do not consider training and the transition of graduates into the labour market. This study aims to explore the labour market for Peru's recent medical, nursing, and midwifery graduates as well as their transition into employment in the Ministry of Health's (MOH) system. METHODS: Data from four different datasets, covering 2007-2013, was used to characterize the patterns of recently trained physicians, nurses, midwives, and postgraduate-trained physicians that enter employment in the MOH system, and scenario analyses were used to describe how this rate of entry needs to adapt in order to fill current HRH shortages. RESULTS: HRH graduates have been increasing from 2007 to 2011, but the proportions that enter employment in the MOH system 2 years later range from 8 to 45% and less than 10% of newly trained medical specialists. Scenario analyses indicate that the gap for physicians and nurses will be met in 2027 and 2024, respectively, while midwives in 2017. However, if the number of HRH graduates entering the MOH system doubles, these gaps could be filled as early as 2020 for physicians and 2019 for nurses. In this latter scenario, the MOH system would still only utilize 56% of newly qualified physicians, 74% of nurses, and 66% of midwives available in the labour market. CONCLUSION: At 2013 training rates, Peru has the number of physicians, nurses, and midwives it needs to address HRH shortages and meet estimated HRH gaps in the national MOH system during the next decade. However, a significant number of newly qualified health professionals do not work for the MOH system within 2 years of graduation. These analyses highlight the importance of building adequate incentive structures to improve the entry and retention of HRH into the public sector.
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.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,010 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle