Estimate General Practitioners Active Supply in Iran: Capture-Recapture Method for Three Data Sources
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: Accurate estimation of active general practitioners (GPs) is a concern for health authorities to estimate requirements. This study aimed to accurately estimate GPs active supply in Iran using three sources capture-recapture (CRC) method. METHODS: This cross-sectional study collected data during 2015-2016, targeting all GPs registered in three independent data sources; a national survey from all hospitals, database of human resource management office at health ministry and physicians' offices databank. Variables including medical council codes, GP names, surnames and national ID codes were used for data linkage among the three sources. Three sources CRC method was applied using log-linear models to estimate the total number of active GPs in STATA software. RESULTS: Overall, 27,048 GPs were identified after removing the duplicate records. Based on CRC three sources data, the total number of GPs were 53,630 in 2015-2016. Distribution of GPs per 1,000 population among the provinces indicates that provinces of Kohgiluyeh & Boyer Ahmad, Mazandaran, Golestan and Yazd with ratios of 1.28, 1.28, 1.21 and 1.17 physicians rank the highest proportion of GPs and the provinces of Sistan & Baluchestan, Ilam, Zanjan, Alborz, North Khorasan with corresponding ratios of 0.24, 0.40, 0.40, 0.43 and 0.45 GPs ranked the lowest. CONCLUSION: CRC method is known to be the best and rapidest method to estimate active GP due to its compatibility for the current situation of databanks in Iran. Therefore, this method is a good application in human resource distribution and planning.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle