Notice bibliographique
Résumé
OBJECTIVE: To gain contemporary insights from residents and surgeons regarding the care of older surgical patients. BACKGROUND DATA: With worldwide aging, efforts over the past decade have attempted to increase surgeons' abilities to care for older adults, but a current understanding of attitudes, knowledge, practices, and needs is missing. METHODS: Between July 2016 and September 2016 we conducted a national Web-based survey sampling all general surgery residents and academic general surgeons using a questionnaire designed and tested for this purpose. Summative scales within each domain (attitudes, knowledge, practices, and needs) were created and compared between groups. Open-ended responses were analyzed with thematic analysis. RESULTS: Ninety-four of 172 invited residents (55%) and 80 of 243 invited surgeons (33%) across 14 general surgery programs responded with no missing data. Both groups had favorable attitudes (83% vs 68%, P = 0.02). However, 80% of residents and 76% of surgeons had medium-level knowledge test scores, and few had prior training. Most respondents reported only sometimes performing guideline-recommended practices (71% vs 73%, P = 0.55). Gaps in training and care delivery were identified. Residents wanted focused, high-yield materials and case-oriented practical skills training. Respondents reported further improvements may come from building surgeons' capacity, enhancing collaboration including perioperative geriatric services, better preoperative assessment, increased adherence to perioperative guidelines, and greater community-based supports to recovery. CONCLUSIONS: Residents and surgeons have favorable attitudes, but only moderate geriatric-specific knowledge and only some guideline-adherent practices. We identified gaps in training and care delivery with targets for future knowledge translation and quality improvement initiatives.
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 | 0,000 | 0,001 |
| 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 ».