Approaches to locum physician recruitment and retention: a systematic review
Notice bibliographique
Résumé
A robust workforce of locum tenens (LT) physicians is imperative for health service stability. A systematic review was conducted to synthesize current evidence on the strategies used to facilitate the recruitment and retention of LT physicians. English articles up to October 2023 across five databases were sourced. Original studies focusing on recruitment and retention of LT's were included. An inductive content analysis was performed to identify strategies used to facilitate LT recruitment and retention. A separate grey literature review was conducted from June-July 2023. 12 studies were retained. Over half (58%) of studies were conducted in North America. Main strategies for facilitating LT recruitment and retention included financial incentives (83%), education and career factors (67%), personal facilitators (67%), clinical support and mentorship (33%), and familial considerations (25%). Identified subthemes were desire for flexible contracts (58%), increased income (33%), practice scouting (33%), and transitional employment needs (33%). Most (67%) studies reported deterrents to locum work, with professional isolation (42%) as the primary deterrent-related subtheme. Grey literature suggested national physician licensure could enhance license portability, thereby increasing the mobility of physicians across regions. Organizations employ five main LT recruitment facilitators and operationalize these in a variety of ways. Though these may be incumbent on local resources, the effectiveness of these approaches has not been evaluated. Consequently, future research should assess LT the efficacy of recruitment and retention facilitators. Notably, the majority of identified LT deterrents may be mitigated by modifying contextual factors such as improved onboarding practices.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».