Clinical Oncology Workload in Sri Lanka: Infrastructure, Supports, and Delivery of Clinical Care
Notice bibliographique
Résumé
PURPOSE: Sri Lanka is a lower middle-income country undergoing a demographic transition with an increasing aging population. This has given rise to a higher burden of noncommunicable diseases including cancer. A well-trained oncology workforce is essential to address this growing public health challenge. Understanding the baseline status of the clinical oncology workforce is an essential step to improving cancer care delivery in Sri Lanka. METHODS: In this cross-sectional study, we distributed a web-based survey to all clinical oncologists in Sri Lanka. The survey captured data regarding clinical workload, demographic details, practice setting, and perceived barriers to quality patient care. RESULTS: A total of 41 of 54 oncologists responded to the survey, and all participants had training in clinical oncology. Thirty-seven (90%) of 41 oncologists treated both solid and hematologic malignancies, and the median duration of independent practice was 5 years. Almost two thirds of the oncologists (26 of 41, 63%) work at an academic center, and two thirds of the oncologists (27 of 41, 66%) work in both public and private sectors. A majority of the oncologists (26 of 41, 63%) were on-call 7 days per week. More than half of the oncologists saw over 400 new patient consults per year. With regard to barriers to quality patient care, most of the concerns relate to the scarcity of resources. CONCLUSION: This study sheds significant light about the clinical oncology workload landscape in Sri Lanka. Compared with other low- and middle-income countries, Sri Lankan clinical oncologists are faced with a very high workload, which may affect delivery or 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».