Do medical students have the knowledge needed to maximize organ donation rates?
Notice bibliographique
Résumé
INTRODUCTION: The chronic shortage of organs for donation could be improved by increasing the numbers of potential and actual donors. Physicians can play a key role in solving this problem but may miss opportunities because they lack knowledge about organ donation to answer questions or concerns. Education of physicians early in their careers may lead to better procurement rates for donor organs. We carried out a study at Queen's University in Kingston, Ont., to determine whether medical students have sufficient knowledge of topics shown to affect organ donation rates. METHODS: Medical students from years 1-4 completed a self-administered questionnaire. Section 1 tested general knowledge about organ donation; section 2 tested the students' ability to identify potential donors; and section 3 dealt with the approach to the potential donor's family. Univariate predictors of mean test scores were assessed using the t-test. RESULTS: Of 322 medical students who received the questionnaire, 260 (81%) responded. The mean age of the students was 25 years and 54% were men. The mean knowledge score was 6.7 out of a possible score of 14. Third-year students had the best knowledge scores (7.6), followed by fourth- (7.4), second- (6.6) and first-year students (5.7). Teaching about organ donation and a student's comfort with approaching a family for organ donation were also predictive of higher knowledge scores. There was no correlation between knowledge score and age, gender or whether the student was carrying a signed donor card. Knowledge scores were low in all 3 sections. Thirty-six percent of students did not know that brain death means that the patient is dead rather than in a coma. Half the medical students believed that people of certain religious groups should not be approached about organ donation. CONCLUSIONS: Medical students possess limited knowledge about organ donation topics important for maximizing procurement rates. A teaching intervention designed to target these shortcomings may be beneficial.
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 | 0,011 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».