Planning for the Rheumatologist Workforce
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to evaluate factors associated with rheumatologists' clinical work hours and patient volumes based on a national workforce survey in rheumatology. METHODS: Adult rheumatologists who participated in a 2015 workforce survey were included (n = 255). Univariate analysis evaluated the relationship between demographics (sex, age, academic vs. community practice, billing fee for service vs. other plan, years in practice, retirement plans) and workload (total hours and number of ½-day clinics per week) or patient volumes (number of new and follow-up consults per week). Multiple linear regression models were used to evaluate the relationship between practice type, sex, age, and working hours or clinical volumes. RESULTS: Male rheumatologists had more ½-day clinics (p = 0.05) and saw more new patients per week (p = 0.001) compared with females. Community rheumatologists had more ½-day clinics and new and follow-up visits per week (all p < 0.01). Fee-for-service rheumatologists reported more ½-day clinics per week (p < 0.001) and follow-ups (p = 0.04). Workload did not vary by age, years in practice, or retirement plans. In multivariate analysis, community practice remained independently associated with higher patient volumes and more clinics per week. Female rheumatologists reported fewer clinics and fewer follow-up patients per week than males, but this did not affect the duration of working hours or new consultations. Age was not associated with work volumes or hours. CONCLUSIONS: Practice type and rheumatologist sex should be considered when evaluating rheumatologist workforce needs, as the proportion of female rheumatologists has increased over time and alternative billing practices have been introduced in many centers.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».