Geographic Distribution of Active Medical Specialists in Iran: A Three-Source Capture-Recapture Analysis.
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: Estimation of health workforce supply becomes problematic when there is no knowledge about the number of active specialists. The aim of this study is to estimate active specialists and their geographic accessibility in Iran. METHODS: We enrolled all medical specialists from the Iranian Ministry of Health database (14151), national hospitals survey (28898) and Continuing Medical Education registries (13159) in 2015. Duplicate records across the three registries were identified based on the similarity of national ID codes and medical council codes. The number of active medical specialists was estimated by three-source capture-recapture method using Stata 12 software. RESULTS: A total of 33,416 specialists were identified from three sources. We estimated the number of specialists at 39127 (95% CI: 38823.6-39448.4) in 2015. Of these, 45.4% pertained to the province of Tehran while only less than 1.8% of specialists were in the provinces of Ilam (0.50%), South Khorasan (0.56%) and Kohgiloye and Boyerahmad (0.59%). The estimated ratio for specialists was 4.9 per 10000 population and ranged from 9.2 per 10000 in Tehran to 1.5 per 10000 population in Sistan and Balochestan. The overall completeness of data registries by three sources was 85.4%. CONCLUSION: The current distribution of specialists appears to be imbalanced. It is suggested to adopt appropriate policies to improve the distribution and maintenance of medical specialists in different parts of Iran.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 découle