P.080 Neurosurgery Residency Program at the Faculty of Medicine, Universitas Gadjah Mada, Indonesia: a unique approach and strategy for an archipelago country
Notice bibliographique
Résumé
Background: Indonesia is a vast archipelago country with over 17,000 islands. Many of the islands are in underdeveloped provinces with no neurosurgeon. Neurosurgery is often considered an expensive and sophisticated field to fund. Our neurosurgery department used the vision and mission of the medical faculty, which is “globally respected and locally rooted” to make a difference in many of the islands. Methods: Careful selection of provinces and candidates that involve local governments and hospitals within the province. This includes resident recruitment, planning and developing neurosurgical infrastructure in the province. Our program uses innovative neurosurgical techniques that are standardized to be applicable in underdeveloped areas. The residents are exposed to their province and hospital during the training. We optimize IT interaction, including teleconference, videoconference and telemedicine Results: At the fifth year of our program, we have sixteen residents from 8 underdeveloped provinces and have established MoU with 4 local hospitals around Indonesia. We have also sent residents to rural areas. We routinely participate in international teleconferences and videoconferences, including those with the Saskatchewan team. Conclusions: A well planned and structured neurosurgical program, with standardized processes and involvement of local officials, combined with extensive use of IT, is effective in preparing neurosurgeons who can provide quality care in underdeveloped regions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».