Workforce Planning for Community-Based Palliative Care Specialist Teams Using Operations Research
Notice bibliographique
Résumé
CONTEXT: Many countries have aging populations. Thus, the need for palliative care will increase. However, the methods to estimate optimal staffing for specialist palliative care teams are rudimentary as yet. OBJECTIVES: To develop a population-need workforce planning model for community-based palliative care specialist teams and to apply the model to forecast the staff needed to care for all patients with terminal illness, organ failure, and frailty during the next 20 years, with and without the expansion of primary palliative care. METHODS: We used operations research (linear programming) to model the problem. We used the framework of the Canadian Society of Palliative Care Physicians and the Nova Scotia palliative care strategy to apply the model. RESULTS: To meet the palliative care needs for persons dying across Nova Scotia in 2019, the model generated an estimate of 70.8 nurses, 23.6 physicians, and 11.9 social workers, a total of 106.3 staff. Thereby, the model indicated that a 64% increase in specialist palliative care staff was needed immediately, and a further 13.1% increase would be needed during the next 20 years. Trained primary palliative care providers currently meet 3.7% of need, and with their expansion are expected to meet 20.3% by 2038. CONCLUSION: Historical, current, and projected data can be used with operations research to forecast staffing levels for specialist palliative care teams under various scenarios. The forecast can be updated as new data emerge, applied to other populations, and used to test alternative delivery models.
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 | 0,019 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 ».