An integrated primary care workforce planning toolkit at the regional level (part 2): quantitative tools compiled for decision-makers in Toronto, Canada
Notice bibliographique
Résumé
Abstract Background Health workforce planning capability at a regional level is increasingly necessary to ensure that the healthcare needs of defined local populations can be met by the health workforce. In 2016, a regional health authority in Toronto, Canada, identified a need for more robust health workforce planning infrastructure and processes. The goal of this project was to develop an evidence-informed toolkit for integrated, multi-professional, needs-based primary care workforce planning for the region. This article presents the quantitative component of the workforce planning toolkit and describes the process followed to develop this tool. Methods We conducted an environmental scan to identify datasets addressing population health need and profession-specific health workforce supply that could contribute to quantitative health workforce modelling. We assessed these sources of data for comprehensiveness, quality, and availability. We also developed a quantitative health workforce planning model to assess the alignment of regional service requirements with the service capacity of the workforce. Results The quantitative model developed as part of the toolkit includes components relating to both population health need and health workforce supply. Different modules were developed to capture the information and address local issues impacting delivery and planning of primary care health services in Toronto. Conclusions A quantitative health workforce planning model is a necessary component of any health workforce planning toolkit. In combination with qualitative tools, it supports integrated, multi-professional, needs-based primary care workforce planning. This type of planning presents an opportunity to address inequities in access and outcome for regional populations.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».