Understanding the exodus: a 15-year retrospective cohort study on the pattern and determinants of migration among Nigerian doctors and dentists
Notice bibliographique
Résumé
BACKGROUND: Nigeria faces a critical shortage of healthcare professionals yet experiences a significant annual exodus of doctors and dentists. This alarming trend threatens the country's ability to provide equitable healthcare. OBJECTIVE: This study investigated the patterns and determinants of migration among doctors and dentists who graduated from the University of Benin, Nigeria, 15 years ago. METHODS: We conducted a retrospective cohort study that tracked 274 of the 379 (72.3%) eligible cohort. We computed the migration incidence rate per person-year from 2008 to 2023, covering 3,455 person-years of follow-up and analysed migration drivers as push and pull factors across macro-, meso-, and micro-levels. RESULTS: Fifteen years post-graduation, 48.9% (134/274) of the cohort had migrated. While the annual incidence rate of migration remained stable for the first 8 years, it spiked after 2016, reaching 11.4 per 100 person-years in 2023. Among those who migrated, the majority (96.3%, 129/134) relocated outside the African continent. The top three destination countries were the UK (48.5%, 65/134), Canada (20.9%, 28/134), and the USA (19.4%, 26/134). The leading push factors were insecurity of lives and property (57.8%), concerns about children's futures (50.3%), and limited career development opportunities (45.9%). The primary pull factors included security (56.3%), permanent residency (49.6%), and better pay in the destination country (46.7%). Significant predictors of migration included younger age, timing of marriage, and residency training status. CONCLUSIONS: To avert an impending crisis, the Nigerian government must address the root causes driving the increasing migration of doctors and dentists.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,000 |
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 ».