Cancer care workforce in Africa: perspectives from a global survey
Notice bibliographique
Résumé
While the burden of cancer in Africa is rapidly rising, there is a lack of investment in healthcare professionals to deliver care. Here we report the results of a survey of systemic therapy workload of oncologists in Africa in comparison to oncologists in other countries. An online survey was distributed through a snowball method via national oncology societies to chemotherapy-prescribing physicians in 65 countries. The survey was distributed within Africa through a network of physicians associated with the African Organisation for Research and Training in Cancer (AORTIC). Workload was measured as the annual number of new cancer patient consults seen per oncologist. Job satisfaction was ranked on a 10-point Likert scale; scores of 9–10 were considered to represent high job satisfaction. Thirty-six oncologists from 18 countries in Africa and 1079 oncologists from 47 other countries completed the survey. Compared to oncologists from other countries, African oncologists were older (median age 51 vs 44 years, p = 0.007), more likely to prescribe chemotherapy and radiation [61% (22/36) vs 10% (108/1079), p < 0.001], less likely to have completed training in their home country [50% (18/36) vs 91% (979/1079), p < 0.001], and more likely to work in the private sector [47% (17/36) vs 34% (364/1079), p = 0.037]. The median number of annual consults per oncologist was 325 in Africa compared to175 in other countries. The proportion of oncologists seeing > 500 consults/year was 31% (11/36) in Africa compared to 12% (129/1079) in other countries ( p = 0.001). African oncologists were more likely than global colleagues to see all cancer sites [72% (26/26) vs 24% (261/1079), p < 0.001]. Oncologists in Africa were less likely than other oncologists to have high job satisfaction [17% (6/36) vs 30% (314/1079), p = 0.013]. African oncologists within the AORTIC network have a substantially higher clinical workload and lower job satisfaction than oncologists elsewhere in the world. There is an urgent need for governments and health systems to improve the oncologist-to-patient ratio and develop new models of capacity building, retention and skills enhancement to strengthen the wide variety of cancer care systems across continental Africa.
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 | 0,004 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».