Resident education and quality of gross tissue examination practices of benign uteri
Notice bibliographique
Résumé
INTRODUCTION: In the USA, most anatomical pathology residency training is based on an apprenticeship model in which residents learn directly by watching more senior personnel and then performing the examination. The level and the effect of the standardisation of resident trainee gross tissue examination practices have not been extensively evaluated. METHODS: In this apprenticeship-based training programme, a retrospective report review was performed to measure the level of standardisation of gross description (for 11 mandatory descriptors) and tissue submission (for four mandatory sections) practices for uterine specimens removed for benign conditions (n=78). Practices were examined for significant relationships with error, turnaround time (TAT), resource utilisation and postgraduate year of resident (n=25) training. RESULTS: Residents provided mandatory descriptors from 23.1% to 93.6% of the time and submitted mandatory sections from 82.1% to 96.2% of the time. Cases submitted by less experienced residents had a longer TAT and were associated with more errors, measured by the necessity to submit additional tissues. Less experienced residents used greater resources (submitting 9.5 tissue cassettes per case) compared with more experienced residents (7.3 cassettes per case), and a statistically significant correlation was found between the number of cassettes submitted and TAT. CONCLUSIONS: In this training programme, the model of apprenticeship training leads to less than optimal standardisation of gross examination practices, inefficiency, active errors and a high frequency of latent conditions leading to error.
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 | 0,004 | 0,006 |
| 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) | 0,000 | 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 ».