Pretraining Experience and Structure of Surgical Training at a Sub‐Saharan African University
Notice bibliographique
Résumé
BACKGROUND: The common goal of surgical training is to provide effective, well-rounded surgeons who are capable of providing a safe and competent service that is relevant to the society within which they work. In recent years, the surgical workforce crisis has gained greater attention as a component of the global human resources in health problems in low- and middle-income countries. The purpose of this study was to: (1) describe the models for specialist surgical training in Uganda; (2) evaluate the pretraining experience of surgical trainees; (3) explore training models in the United States and Canada and areas of possible further inquiry and intervention for capacity-building efforts in surgery and perioperative care. METHODS: This was a cross-sectional descriptive study conducted at Makerere University, College of Health Sciences during 2011-2012. Participants were current and recently graduated surgical residents. Data were collected using a pretested structured questionnaire and were entered and analyzed using an excel Microsoft spread sheet. The Makerere University, College of Health Sciences Institutional Review Board approved the study. RESULTS: Of the 35 potential participants, 23 returned the questionnaires (65 %). Mean age of participants was 29 years with a male/female ratio of 3:1. All worked predominantly in general district hospitals. Pretraining procedures performed numbered 2,125 per participant, which is twice that done by their US and Canadian counterparts during their entire 5-year training period. CONCLUSIONS: A rich pretraining experience exists in East Africa. This should be taken advantage of to enhance surgical specialist training at the institution and regional level.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».