Geographical Distribution and Career Preferences of Nepali Medical Graduates- A Cross Sectional Study
Notice bibliographique
Résumé
Nepal continues to face problems with the migration of its medical graduates both abroad and into major urban centers like Kathmandu Valley, worsening the already uneven distribution of doctors across the country. Despite years of expanding medical education with the goal of improving rural healthcare access, many graduates choose opportunities overseas or in cities, leaving rural and remote areas underserved. Understanding where Nepali medical graduates are practicing, and why, is essential for developing effective strategies to retain them and strengthen Nepal’s healthcare system. A descriptive cross-sectional survey was conducted from June 2023 to January 2025 among 1,208 Nepali medical graduates (both undergraduate and postgraduate levels) using a self-constructed electronic questionnaire. Participants were recruited through online platforms and alumni networks across all medical colleges in Nepal. Among the 1,208 respondents, 75.3% were male and 24.7% female, with a steady rise in female representation over time from 8.1% before 2000 to 37.4% after 2020. The majority (67.8%) graduated from Tribhuvan University. Overall, 66.8% were practicing in Nepal, while 33.2% worked abroad, predominantly in the United States (74.31% of those abroad). Within Nepal, 62.3% of graduates were working in Kathmandu Valley, with Bagmati Province hosting the highest number of doctors. Male graduates were more likely than females to work outside Kathmandu Valley. A significant association was found between graduation year and current practice location (p <0.0001), with post-2020 graduates showing the highest retention in Nepal. Gender disparities, university affiliation, and graduation year significantly influenced practice location. Addressing these challenges will require targeted policies that improve rural incentives, expand postgraduate opportunities outside urban centers, and create supportive, gender-sensitive work environments.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».