Methods for health workforce projection model: systematic review and recommended good practice reporting guideline
Notice bibliographique
Résumé
BACKGROUND: Health workforce projection models are integral components of a robust healthcare system. This research aims to review recent advancements in methodology and approaches for health workforce projection models and proposes a set of good practice reporting guidelines. METHODS: We conducted a systematic review by searching medical and social science databases, including PubMed, EMBASE, Scopus, and EconLit, covering the period from 2010 to 2023. The inclusion criteria encompassed studies projecting the demand for and supply of the health workforce. PROSPERO registration: CRD 42023407858. RESULTS: Our review identified 40 relevant studies, including 39 single countries analysis (in Australia, Canada, Germany, Ghana, Guinea, Ireland, Jamaica, Japan, Kazakhstan, Korea, Lesotho, Malawi, New Zealand, Portugal, Saudi Arabia, Serbia, Singapore, Spain, Thailand, UK, United States), and one multiple country analysis (in 32 OECD countries). Recent studies have increasingly embraced a complex systems approach in health workforce modelling, incorporating demand, supply, and demand-supply gap analyses. The review identified at least eight distinct types of health workforce projection models commonly used in recent literature: population-to-provider ratio models (n = 7), utilization models (n = 10), needs-based models (n = 25), skill-mixed models (n = 5), stock-and-flow models (n = 40), agent-based simulation models (n = 3), system dynamic models (n = 7), and budgetary models (n = 5). Each model has unique assumptions, strengths, and limitations, with practitioners often combining these models. Furthermore, we found seven statistical approaches used in health workforce projection models: arithmetic calculation, optimization, time-series analysis, econometrics regression modelling, microsimulation, cohort-based simulation, and feedback causal loop analysis. Workforce projection often relies on imperfect data with limited granularity at the local level. Existing studies lack standardization in reporting their methods. In response, we propose a good practice reporting guideline for health workforce projection models designed to accommodate various model types, emerging methodologies, and increased utilization of advanced statistical techniques to address uncertainties and data requirements. CONCLUSIONS: This study underscores the significance of dynamic, multi-professional, team-based, refined demand, supply, and budget impact analyses supported by robust health workforce data intelligence. The suggested best-practice reporting guidelines aim to assist researchers who publish health workforce studies in peer-reviewed journals. Nevertheless, it is expected that these reporting standards will prove valuable for analysts when designing their own analysis, encouraging a more comprehensive and transparent approach to health workforce projection modelling.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Métarecherche Domaine: Méthodes · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Revue systématique | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Revue systématique | high |
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 | 0,380 | 0,663 |
| Méta-épidémiologie (sens strict) | 0,008 | 0,007 |
| Méta-épidémiologie (sens large) | 0,019 | 0,040 |
| Bibliométrie | 0,025 | 0,026 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,013 | 0,015 |
| Science ouverte | 0,018 | 0,011 |
| Intégrité de la recherche | 0,012 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,008 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».