GP turnover in a multiprofessional team-based primary care system: evidence from Sweden
Notice bibliographique
Résumé
BACKGROUND: GP recruitment and retention difficulties challenge the traditional general practice model. Task-shifting and relieving GPs from financial risk have been suggested to make primary care more attractive. In Sweden's multiprofessional team-based primary care system, GPs usually work as salaried employees and there is extensive task-shifting. Salaried employment facilitates mobility, potentially leading to high turnover. The opportunity to work on fixed contracts can also increase turnover rates. AIM: To describe practice turnover rates and examine associations with practice characteristics in a Swedish region. DESIGN AND SETTING: Analysis of observational register data from Skåne, Sweden (1.4 million residents). METHOD: Turnover rates were calculated for 157 primary care practices in 2010-2018. The main dataset included all physicians - permanent and temporary workers - regularly providing care in each month. To understand the role of temporary workers, a supplementary analysis was performed on permanently employed GPs and registrars at 80 public practices in 2019. Associations between turnover and practice characteristics were examined in bivariate analyses and multiple regressions. RESULTS: Annual practice turnover rates ranged between 20-40% (mean 30%), showing no time trend. The high rates mainly reflected the use of temporary GPs; in the supplementary analysis of permanent GPs and registrars, the mean annual turnover rate in 2019 was 13-15%. Turnover was higher for practices with socially deprived patients or high workload. Private practices had lower turnover conditional on the higher workload. CONCLUSION: The results indicate that a primary care system with salaried GPs facilitates GP mobility, which in turn creates barriers to continuity of care.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».