Continuing Medical Education in Emergency Plastic Surgery for Referring Physicians: A Prospective Assessment of Educational Needs
Notice bibliographique
Résumé
BACKGROUND: Continuing medical education for referring physicians is an essential part of raising the profile of plastic surgery and improving patient care. The authors conducted a prospective cohort study to assess the educational needs of emergency and primary care physicians who refer patients to the on-call plastic surgeon. METHODS: The following information was collected for telephone referrals from emergency and primary care physicians over a 1-year period: date, location of referral center, population of referral center, distance between referral center and tertiary care hospital, patient age, presenting problem, anatomical location of the problem, and treatment plan proposed by the plastic surgeon. In addition, the 50 physicians who most frequently referred patients were surveyed to identify which topics they perceived to be of the highest educational utility and which were frequently encountered. RESULTS: There were a total of 1077 referrals to on-call plastic surgeons, mostly for trauma (83 percent) and injuries involved primarily the upper extremity (65 percent) or head and neck regions (26 percent). Five percent or more of all referrals involved mandible, phalangeal, metacarpal, or zygomatico-orbital complex fractures, minor burns, flexor tendon injuries, single digits requiring revision of an amputation, and extensor tendon injuries. Referring physicians reported that the topics of most educational utility were management of hand infections, minor burns, nasal fractures, boxer's fractures, complex facial lacerations, frostbite, metacarpal fractures, and scaphoid fractures. CONCLUSIONS: To have the greatest potential affect on changing physicians' behavior and improving patient care, continuing medical education should focus on traumatic injuries to the upper extremity and head and neck regions. A prioritized list of topics should include management of minor burns, hand fractures, hand infections, nasal infections, and complex facial lacerations.
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 | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».