Depriving the Deprived: Examining Brain Drains of Health Professionals from Low- and Middle-Income Countries (LMICs) to Wealthy Nations with an Equity Lens
Notice bibliographique
Résumé
With an estimated population of 7.8 billion, health professionals (HPs) are grossly inadequate globally and far below WHO’s benchmark of 1 physician, 4 nurses, and midwives per 1000 population. Despite their shortage, HPs are not equitably distributed, with low- and middle-income countries (LMICs) especially those in Sub-Saharan Africa having the greatest shortages. The Organization for Economic Co-operation and Development (OECD) member states exploit the socioeconomic vulnerability of LMICs to massively recruit HPs from these countries to fill the gaps in their systems. The prolonged hemorrhage of HPs from LMICs to OECD member states continues to complicate health equity in LMICs, which have some of the highest wealth gap among their populations; and has raised concerns about social justice and breach of ethics. The brain drain phenomenon in LMICs has been in existence for decades and several strategies focusing on push factors that drive HPs away from LMICs to OECD countries have been implemented without noticeable impact. This article proposes strategies to promote shared responsibilities, fairness, and social justice and circumvent potential ethical concerns in the migration of HPs from LMICs to OECD member countries. To achieve this, we propose a framework where OECD member states recruiting HPs from LMICs invest in the education and production of HPs from LMICs and offer in-service training for medical trainers and mentors in their countries to strengthen quality education in the LMICs’ medical schools. This initiative could potentially increase the population of HPs that can serve the needs of both the LMICs and the OECD beneficiaries. We further suggest a role for the World Health Organization, the International Labor Organization and other international public health institutions to collaborate in exploring innovative strategies like the OECD-LMICs partnership proposed in this article to ensure justice, fairness and equity in reversing the exodus of HPs from LMICs.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,001 | 0,014 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».