Global neurosurgery: models for international surgical education and collaboration at one university
Notice bibliographique
Résumé
OBJECTIVE: International collaborations between high-income (HICs) and low- and middle-income countries (LMICs) have been developed as an attempt to reduce the inequalities in surgical care around the world. In this paper the authors review different models for international surgical education and describe projects developed by the Division of Neurosurgery at the University of Toronto in this field. METHODS: The authors conducted a review of models of international surgical education reported in the literature in the last 15 years. Previous publications on global neurosurgery reported by the Division of Neurosurgery at the University of Toronto were reviewed to exemplify the applications and challenges of international surgical collaborations. RESULTS: The most common models for international surgical education and collaboration include international surgical missions, long-term international partnerships, fellowship training models, and online surgical education. Development of such collaborations involves different challenges, including limited time availability, scarce funding/resources, sociocultural barriers, ethical challenges, and lack of organizational support. Of note, evaluation of outcomes of international surgical projects remains limited, and the development and application of assessment tools, such as the recently proposed Framework for the Assessment of International Surgical Success (FAIRNeSS), is encouraged. CONCLUSIONS: Actions to reduce inequality in surgical care should be implemented around the world. Different models can be used for bilateral exchange of knowledge and improvement of surgical care delivery in regions where there is poor access to surgical care. Implementation of global neurosurgery initiatives faces multiple limitations that can be ameliorated if systematic changes occur, such as the development of academic positions in global surgery, careful selection of participant centers, governmental and nongovernmental financial support, and routine application of outcome evaluation for international surgical collaborations.
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 | 0,028 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,020 |
| Communication savante | 0,017 | 0,019 |
| Science ouverte | 0,003 | 0,019 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».