Workforce Trends Among Canadian Medical Oncologists and Medical Oncology Trainees over Two Decades
Notice bibliographique
Résumé
Background: Understanding oncology health human resources across Canada is critical to the delivery of quality cancer care. Little has been published about the medical oncology (MO) workforce and trainees; this study sought to characterize trends in the MO workforce and explore the relationship between medical oncologists and cancer incidence as a surrogate demand marker. Materials and Methods: Publicly available databases from the Canadian Medical Association, the Canadian Institute of Health Information, and the Canadian Post MD Education Registry were utilized to estimate the number, demographics, and regional distribution of practicing MOs and MO trainees between 1994 and 2020. Cancer incidence by province was obtained from Statistics Canada. To estimate changes in demand for, and supply of, medical oncology services over time, annual cancer incidence to MO provider ratios were calculated. Results: Between 1994 and 2020, annual cancer incidence nationally rose from 120,255 to 225,800 cases, while the number of MOs increased by 298%. Incident cancer case to medical oncologist (MO) ratio dropped from 749:1 to 352:1 in the same time. However, the MO workforce is aging; in 2020, 40% of providers were ≥50 years old versus 24% in 1994. Trends in Canadian MO trainees mirror MO trends. Ontario has the largest proportion of the country’s MOs (34% in 2020) and MO trainees (49%). Conclusions: Although the Canadian MO workforce has grown, more MO providers are nearing retirement age, which may influence future workforce trends. Ongoing monitoring of human resources in oncology is essential to ensure future demands for services are met.
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 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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».