Workforce capacity for the care of patients with kidney failure across world countries and regions
Notice bibliographique
Résumé
INTRODUCTION: An effective workforce is essential for optimal care of all forms of chronic diseases. The objective of this study was to assess workforce capacity for kidney failure (KF) care across world countries and regions. METHODS: Data were collected from published online sources and a survey was administered online to key stakeholders. All country-level data were analysed by International Society of Nephrology region and World Bank income classification. RESULTS: The general healthcare workforce varies by income level: high-income countries have more healthcare workers per 10 000 population (physicians: 30.3; nursing personnel: 79.2; pharmacists: 7.2; surgeons: 3.5) than low-income countries (physicians: 0.9; nursing personnel: 5.0; pharmacists: 0.1; surgeons: 0.03). A total of 160 countries responded to survey questions pertaining to the workforce for the management of patients with KF. The physicians primarily responsible for providing care to patients with KF are nephrologists in 92% of countries. Global nephrologist density is 10.0 per million population (pmp) and nephrology trainee density is 1.4 pmp. High-income countries reported the highest densities of nephrologists and nephrology trainees (23.2 pmp and 3.8 pmp, respectively), whereas low-income countries reported the lowest densities (0.2 pmp and 0.1 pmp, respectively). Low-income countries were most likely to report shortages of all types of healthcare providers, including nephrologists, surgeons, radiologists and nurses. CONCLUSIONS: Results from this global survey demonstrate critical shortages in workforce capacity to care for patients with KF across world countries and regions. National and international policies will be required to build a workforce capacity that can effectively address the growing burden of KF and deliver optimal care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».