Designing a Contextually Appropriate Surgical Training Program in Low‐resource Settings: The Botswana Experience
Notice bibliographique
Résumé
BACKGROUND: The global burden of surgical disease and severe shortage of trained surgeons around the world are now widely recognized. The greatest challenge in improving access to surgical care lies in sub-Saharan Africa, where the number of surgeons per population is lowest. One part of the solution may be to create programs to train surgeons locally. We present our experience with an approach to designing a contextually appropriate surgical curriculum in Botswana. METHODS: Surgical logbooks from the largest tertiary care center in Botswana, dating from 2004 through 2010, were analyzed to yield total case numbers within clearly defined categories. Case numbers and local surgical opinion were combined to design a contextually relevant curriculum, with the Surgical Council on Resident Education curriculum as a template. RESULTS: Logbook analysis revealed that general surgeons in Botswana manage burns and perform a large number of skin grafts and extremity amputations. However, they perform few colonoscopies and complex laparoscopic procedures. The new curriculum included greater emphasis on surgical subspecialty procedures and surgical management of locally relevant conditions, such as the complications of infectious diseases. Less emphasis was placed on management of uncommon conditions such as inflammatory bowel disease. CONCLUSIONS: There are important differences in the scope of general surgery and the knowledge and skills required by general surgeons in Botswana compared with their North American counterparts. We present a simple and inexpensive approach that could serve as a potential model for designing contextually relevant surgical training programs in other low-resource settings.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».