Insights into nephrologist training, clinical practice, and dialysis choice
Notice bibliographique
Résumé
There is variable emphasis on dialysis-specific training among US nephrology fellowship programs. Our study objective was to determine the association between nephrology training experience and subsequent clinical practice. We conducted a national survey of clinical nephrologists using a fax-back survey distributed between March 8, 2010 and April 30, 2010 (N = 629). The survey assessed the time distribution of clinical practice, self-assessment of preparedness to provide care for dialysis patients at the time of certification examination, distribution of dialysis modality among patients, and nephrologists' choice of dialysis modality for themselves if their kidneys failed. While respondents spent 28% of their time caring for dialysis patients, 38% recalled not feeling very well prepared to care for dialysis patients when taking the nephrology certification examination. Sixteen percent obtained additional dialysis training after fellowship completion. Only 8% of US dialysis patients use home dialysis; physicians very well prepared to care for dialysis patients at the time of certification or who obtained additional dialysis training were significantly more likely to provide care to home peritoneal dialysis patients. Even though 92% of US dialysis patients receive thrice weekly in-center hemodialysis, only 6% of nephrologists selected this for themselves; selection of therapy for self was associated with dialysis modalities used by their patients. Nephrology training programs need to ensure that all trainees are very well prepared to care for dialysis patients, as this is central to nephrology practice. Utilization of dialysis therapies other than standard hemodialysis is dependent, in part, on training experience.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 ».