BEST‐TEST2: assessment of hematology trainee knowledge of transfusion medicine
Notice bibliographique
Résumé
BACKGROUND: As transfusion is a common therapy and key component in every hematologist's practice, hematology training programs should dedicate significant time and effort to delivering high-quality transfusion medicine education to their trainees. The current state of hematology trainee knowledge of transfusion medicine is not known. STUDY DESIGN AND METHODS: A validated assessment tool developed by the Biomedical Excellence for Safer Transfusion (BEST) Collaborative was used to assess prior transfusion medicine education, attitudes, perceived ability, and transfusion medicine knowledge of hematology trainees. RESULTS: A total of 149 hematology trainees at 17 international sites were assessed. The overall mean exam score was 61.6% (standard deviation, 13.4%; range, 30%-100%) with no correlation in exam scores with postgraduate year or previous transfusion medicine education in medical school or internal medicine residency. However, better scores correlated with 3 or more hours of transfusion medicine education (p = 0.0003) and perceived higher-quality education during hematology training (p = 0.03). Hematology trainees at US sites, where hematology is often combined with oncology training, had statistically lower scores than trainees at non-US sites (56.2% vs. 67.4%; p < 0.0001). In terms of topic areas, although 93% of participants had obtained consent for transfusion, the lowest scores were on transfusion reaction-related questions. CONCLUSION: Given the overall poor performance, this study serves as an impetus for all hematology training programs to reevaluate the quality and quantity of transfusion medicine training and can assist in the development of targeted curricula.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».