Vulvovaginal Disease Education in Canadian and American Gynecology Residency Programs: A Survey of Program Directors
Notice bibliographique
Résumé
OBJECTIVE: The aims of the study were to assess and describe the current vulvovaginal curriculum in gynecology residency training programs in Canada and the United States and to compare this with national training objectives. MATERIALS AND METHODS: A 22-question electronic survey was sent to 252 gynecology program directors in Canada and the United States between September 2015 and July 2016 using the platform SurveyMonkey.com. Survey responses were entered into SPSS Version 23, and analysis was performed using descriptive statistics. RESULTS: Overall, 58 (23%) of 252 programs directors responded. Nearly all of the sites provided formal teaching on pain disorders (54/58, 93%), vulvar dermatoses (54/58, 93%), and vulvovaginal infections (57/58, 98%). Exposure to vulvovaginal clinics varied widely. On average, program directors estimated that residents spend a median of 10 hours (0-200) in vulvar pain clinics, 9 hours (0-200) in dermatology clinics, and 50 hours (0-480) in colposcopy clinics during residency training. Most program directors (53/57, 93%) believed that all general gynecologists should be able to manage vulvar disorders in practice. Reported obstacles to treating vulvar disorders included lack of training (41/58, 71%) and lack of interest (35/58, 60%). CONCLUSIONS: While most residency programs provided formal education on vulvovaginal diseases, clinical exposure is extremely variable between sites. When it is not possible to increase clinical exposure to vulvovaginal disorders, traditional training methods (lectures, textbooks) should be supplemented with online modules and other means of learning to improve resident knowledge of vulvovaginal diseases.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».