Standardising workforce cost estimates across Australian jurisdictions: genomic testing as a use case
Notice bibliographique
Résumé
Introduction Labour costs are a key driver of healthcare costs and a key component of economic evaluations in healthcare. We undertook the current study to collect information about workforce costs related to clinical genomic testing in Australia, identifying key components of pay scales and contracts, and incorporating these into a matrix to enable modelling of disaggregated costs. Methods We undertook a microcosting study of health workforce labour costs in Australia, from a health services perspective. We mapped the genomic testing processes, identifying the relevant workforce. Data was collected on the identified workforce from publicly available pay scales. Estimates were used to model the total cost from a public health services employer perspective, undertaking deterministic and probabilistic sensitivity analyses. Results We identified significant variability in the way in which pay scales and related conditions are both structured and the levels between jurisdictions. The total costs (2023-2024 Australian dollars) ranged from 160,794 (113,848-233,350) for administrative staff to 703,206 (548,011-923,661) for pathology staff (full-time equivalent). Deterministic sensitivity analysis identified that the base salary accounts for the greatest source of uncertainty, from 24.8% (20.0-32.9%) for laboratory technicians to 53.6% (52.8-54.4%) for medical scientists. Conclusion Variations in remuneration levels and conditions between Australian jurisdictions account for considerable variation in the estimated cost of labour and may contribute significantly to the uncertainty of economic assessments of genomic testing and other labour-intensive health technologies. We outline an approach to standardise the collection and estimation of uncertainty for Australian health workforce costs and provide current estimates for labour costs.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».