The Scale‐Up of the Global Surgical Workforce: Can Estimates be Achieved by 2030?
Notice bibliographique
Résumé
BACKGROUND: The Lancet Commission on Global Surgery showed that countries with surgeon, anesthetist, and obstetrician (SAO) densities of 20-40 SAO/100,000 population were associated with improved health outcomes and recommended a global surgical workforce scale-up by 2030. Whether countries would be able to achieve such scale-up efforts in that time-frame is unknown. METHODS: A differential equation model was used to estimate the growth rate and number of SAO necessary for each country to reach the aforementioned SAO densities. Workforce data from Mexico and India were used to estimate achievable rates of SAO scale-up for middle- and low-income countries, respectively. Secular surgical growth rates were estimated to demonstrate what might occur without dedicated scale-up efforts. RESULTS: To reach at least 20 SAO/100,000 population in all countries by 2030, over 808 thousand SAO need to be trained by 2030. To reach at least 40 SAO/100,000 population, over 2.1 million SAO need to be trained. If countries adopt a scale-up rate similar to Mexico's previously achieved rate of scale-up, 66% of countries would have 20 SAO/100,000 population by 2030. If countries adopt a scale-up rate similar to India's previously achieved rate of scale-up, 56% would have 20 SAO/100,000 population by 2030. CONCLUSION: With dedicated efforts in surgical workforce scale-up, significant gains in SAO density can be made worldwide. However, without intervention, many countries are unlikely to improve their current workforce densities. Investments in workforce scale-up are likely to yield workforce gains that mirror current resource states.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».