Dialysis nurse demand in Europe: an estimated prediction based on modelling
Notice bibliographique
Résumé
Background: To estimate the projections of supply and demand for dialysis nurses (DNs) over 5 years in four European countries (France, Italy, Spain and the UK). Methods: This study modelled the nursing labour workforce across each jurisdiction by estimating the current nursing labour force, number of nursing graduates and the attrition rate. Results: France currently has the greatest demand for DNs (51 325 patients on dialysis), followed by Italy, the UK and Spain with 40 661, 30 301 and 28 007 patients on dialysis, respectively. The number of in-centre haemodialysis (HD) patients is expected to increase in the four countries, while the number of patients on home HD (HHD) or on peritoneal dialysis (PD) is expected to increase in the UK. Currently Italy has the greatest proportion of DNs (2.6%), followed by France (2.1%), Spain (1.7%) and the UK (1.5%). Estimation of the dialysis nursing staff growth rate over 5 years showed that the UK has the greatest estimated growth rate (6%), followed by Italy (2%), France (2%) and Spain (1%). Conclusions: Dialysis demand will increase in the coming years, which may exacerbate the DN shortage. Additionally, competencies and training requirements of DNs should be precisely defined. Finally, implementing and facilitating PD and HHD strategies would be helpful for patients, healthcare professionals and healthcare systems and can even help ease the DN shortage.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».