Strategies to Improve Recruitment into Rheumatology: Results of the Workforce in Rheumatology Issues Study (WRIST)
Notice bibliographique
Résumé
OBJECTIVE: By 2026, there will be a 64% shortfall of rheumatologists in Canada. A doubling of current rheumatology trainees is likely needed to match future needs; however, there are currently no evidence-based recommendations for how this can be achieved. The Workforce in Rheumatology Issues Study (WRIST) was designed to determine factors influencing the choice of rheumatology as a career. METHODS: An online survey was created and invitations to participate were sent to University of Western Ontario (UWO) medical students, UWO internal medicine (IM) residents, Canadian rheumatology fellows, and Canadian rheumatologists. Surveys sent to each group of respondents were identical except for questions related to demographics and past training. Participants rated factors that influenced their choice of residency and scored factors related to the attractiveness of rheumatology and to recruitment strategies. Statistical significance was determined using chi-squared and factor analysis. RESULTS: The survey went out to 1014 individuals, and 491 surveys were completed (48.4%). Responses indicated the importance of exposure through rotations and role models in considering rheumatology. Significant (p < 0.002) differences between groups were evident regarding what makes rheumatology attractive and effective recruitment strategies, most interestingly with rheumatologists and trainees expressing opposite views on the latter. CONCLUSION: Recommendations are made in 2 broad categories: greater exposure and greater information. As medical students and IM residents progress through their training, their interest in rheumatology lessens, thus it is important to begin recruitment initiatives as early as possible in the training process.
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 | 0,002 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».