Delivering global cancer care: An international study of medical oncology workload.
Notice bibliographique
Résumé
e18080 Background: With a disproportionate global burden of cancer, access to care in low-middle income countries (LMICs) is a pressing issue. To our knowledge there is no literature that has described medical oncology (MO) workload in the global context. Here, we report the first results of an international study of global MO training, infrastructure and workload. Methods: A multinational panel of oncologists from diverse practice settings designed a 51 item online survey. The survey was distributed through a snowball method via national oncology societies to chemotherapy-prescribing physicians in 50 countries. Countries were classified into low or low-middle (LMIC), upper-middle (UMIC) and high-income countries (HIC) based on World Bank criteria. Due to small numbers, African nations were reported as a region. The primary objective of this study was to describe the annual number of new cancer patient consults seen per oncologist. Results: 708 physicians completed the survey; 14% (96/708) from LMICs, 21% (152/708) UMICs, and 65% (460/708) HICs. 85% (604/708) of respondents were MOs, 9% (65/708) clinical oncologists, 6% (39/708) other. Respondents worked a median 5 days/week and had 4 weeks of annual paid vacation. The median number of annual consults per oncologist was 175 (IQR 125-375); 16% (114/708) of respondents saw 500+ new patients in a year. Annual case volume in LMICs (median consults 425, 46% respondents seeing > 500 consults) was substantially higher than UMICs (175, 15% > 500) and HICs (175, 10% > 500) (p < 0.001). Among LMICs, UMICs, and HICs, median days worked per week were 6, 5, 5 respectively (p < 0.001); annual weeks of paid vacation were 3, 3, 5 respectively (p < 0.001). Among countries/regions with 10+ responses, the highest annual case volumes per oncologist were Pakistan (median consults 950, 73% > 500 consults), India (475, 47% > 500), Turkey (475, 25% > 500), Africa (400, 42% > 500) and China (325, 31% > 500). Conclusions: There is substantial global variation in oncology case volumes and clinical workload; this is most striking among LMICs. Further work is needed to quantify activity-based global MO practice and workload to inform training needs and the design of new pathways and models of care.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».