Trends colliding
Notice bibliographique
Résumé
OBJECTIVE: To assist in workforce planning by updating trends in the characteristics of near-retirement comprehensive family physicians (FPs) and their patients since the COVID-19 pandemic. DESIGN: Population-level serial cross-sectional analysis using linked health administrative datasets. SETTING: Ontario. PARTICIPANTS: The Ontario population as of March 31, 2022 (15,023,570), and the comprehensive FPs to whom they are attached (9375). We compared these populations to pre-pandemic analyses (2008, 2013, and 2019). MAIN OUTCOME MEASURES: Temporal trends in the number, proportion, and characteristics of comprehensive FPs; comprehensive FPs nearing retirement; and patients attached to comprehensive FPs, focusing on FPs nearing retirement. RESULTS: After 2019, growth in the overall comprehensive FP workforce stagnated (2019: 9377; 2022: 9375). For the first time during the study period, in 2022 there was a decline in the number and proportion of early-career physicians (age <35 years) and female physicians comprised the majority (51.5%) of the workforce. An increasing proportion of the workforce is age 65 and older (2008: 10.0%; 2013: 14.4%; 2019: 13.9%; 2022: 15.2%), and correspondingly, an increasing number and proportion of patients are attached to near-retirement FPs. The oldest FP cohort (age ≥70) also increased in number and proportion in 2022. Patients attached to near-retirement FPs were older and had higher levels of chronic conditions compared with patients across the overall FP workforce. Mean roster sizes remained relatively stable and female FPs consistently cared for smaller rosters than male FPs. An increasing proportion of patients had the highest level of complexity, and practices of all FP age groups comprised increasing proportions of those with the highest resource needs. CONCLUSION: Changes to the comprehensive FP workforce since the COVID-19 pandemic, together with increasing patient complexity, raise concerns about the workforce's capacity to absorb patients whose FPs are poised to retire.
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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,014 | 0,021 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,235 | 0,137 |
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 ».