Who Makes It to the End?
Notice bibliographique
Résumé
OBJECTIVE: We present 8-year follow-up data from the intern class of 2007 to 2008 using a novel, nonparametric predictive model to identify those residents who are at greatest risk of not completing their training. BACKGROUND: Nearly 1 in every 4 categorical general surgery residents does not complete training. There has been no study at a national level to identify individual resident and programmatic factors that can be used to accurately anticipate which residents are most at risk of attrition out. METHODS: A cross-sectional survey of categorical general surgery interns was conducted between June and August 2007. Intern data including demographics, attendance at US or Canadian medical school, proximity of family members, and presence of family members in medicine were de-identified and linked with American Board of Surgery data to determine residency completion and program characteristics. A Classification and Regression Tree analysis was performed to identify groups at greatest risk for non-completion. RESULTS: Of 1048 interns, 870 completed the initial survey (response rate 83%), 836 of which had linkage data (96%). Also, 672 residents had evidence of completion of residency (noncompletion rate 20%). On Classification and Regression Tree analysis, sex was the independent factor most strongly associated with attrition. The lowest noncompletion rate for men was among interns at small community programs who were White, non-Hispanic, and married (6%). The lowest noncompletion rate for women was among interns training at smaller academic programs (11%). CONCLUSIONS: This is the first longitudinal cohort study to identify factors at the start of training that put residents at risk for not completing training. Data from this study offer a method to identify interns at higher risk for attrition at the start of training, and next steps would be to create and test interventions in a directed fashion.
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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».