Many countries faced challenges in their health workforce supply like impending retirement waves, negative population growth, or a suboptimal distribution of resources across medical sectors even before the pandemic struck. Current quantitative models are often of limited usability as they either require extensive individual-level data to be properly calibrated or (in the absence of such data) become too simplistic to capture key demographic changes or disruptive epidemiological shocks like the SARS-CoV-2 pandemic. We propose a novel population-dynamical and stock-flow-consistent approach to health workforce supply forecasting that is complex enough to address dynamically changing behaviors while requiring only publicly available timeseries data for complete calibration. We demonstrate the usefulness of this model by applying it to 21 European countries to forecast the supply of generalist and specialist physicians until 2040, as well as how Covid-related mortality and increased healthcare utilization might impact this supply. Compared to staffing levels required to keep the physician density constant at 2019 levels, we find that in many countries there is indeed a significant trend toward decreasing density for generalist physicians at the expense of increasing densities for specialists. The trends for specialists are exacerbated in many Southern and Eastern European countries by expectations of negative population growth. Compared to the expected demographic changes in the population and the health workforce, we expect a limited impact of Covid on these trends even under conservative modelling assumptions. It is of the utmost importance to devise tools for decision makers to influence the allocation and supply of physicians across fields and sectors to combat these imbalances.


翻译:许多国家在保健劳动力供应方面面临挑战,如即将到来的退休浪潮、负人口增长或甚至在大流行病爆发之前医疗部门之间资源分配不尽如人意等。目前的定量模型往往使用性有限,因为它们要么需要广泛的个人一级数据加以适当校准,要么(在缺乏此类数据的情况下)过于简单,无法捕捉关键的人口变化或像SARS-COV-2大流行病这样的破坏性流行病冲击。我们提议对保健劳动力供应预测采取新的、人口动态和库存流动一致的办法,这种办法十分复杂,足以应对不断变化的行为,而只需要公开提供时间序列数据才能完全校准。我们通过将这一模型应用于21个欧洲国家,预测到2040年为止的普通和专科医生的供应情况,以及(在缺乏此类数据的情况下)与Covid相关的死亡率和保健利用率的增加可能如何影响这一供应情况。我们发现,在许多国家,一般医生的密度下降趋势十分严重,而专家的密度却需要增加。我们专家对许多南方和东欧国家的医学和专家趋势更加有用。我们发现,根据预测,这些人口结构结构结构对人口结构的预期,我们对于人口增长率的预期是有限的。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
专知会员服务
42+阅读 · 2020年12月18日
知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
108+阅读 · 2020年6月10日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
征稿 | CFP:Special Issue of NLP and KG(JCR Q2,IF2.67)
开放知识图谱
1+阅读 · 2022年4月4日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Arxiv
0+阅读 · 2023年3月14日
VIP会员
相关资讯
征稿 | CFP:Special Issue of NLP and KG(JCR Q2,IF2.67)
开放知识图谱
1+阅读 · 2022年4月4日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Top
微信扫码咨询专知VIP会员