Resident Case Load Assessment between Academic General and Subspecialty Sign-out Sites at the University of Toronto Anatomical Pathology Program
Notice bibliographique
Résumé
Junior residents at the University of Toronto Anatomical Pathology program rotate through a core curriculum at academic training sites with general and subspecialty sign-out practices. The impact of both practice types on residency training is currently unknown. Our goal was two-fold: First, we evaluated the feasibility of a data mining approach to assess resident case loads. Next, we compared the nature of cases seen by residents when substratified by training site. Laboratory information systems (LIS) from two general and two subspecialty training sites were mined for cases by three junior residents during 2010–2013. Total numbers, consults vs in-house cases, and “small” vs “big” cases were compared. The types of diagnoses were broadly re-coded as neoplastic vs non-neoplastic as well as benign, premalignant and malignant. Data was further substratified by anatomic sub-site. A total of 2,050 cases were identified. General sign-out sites showed that >60% of cases seen were gastrointestinal (GI) and gynecological (Gyne), with an average of 20 GI and 18 Gyne cases per month per resident. At GI and Gyne subspecialty rotations each resident averaged 97 and 55 cases, respectively. Focusing on Gyne cases, there was an increase in consult cases seen in subspecialty sites. There was no difference in the ratio of small and big cases. The distribution between benign, premalignant, and malignant diagnoses varied by resident; in fact, one Gyne rotation saw no malignant cases. This distribution also changed by site with an increase in malignant Gyne diagnoses in subspecialty vs. general sites (43% vs. 8%, respectively). Our study shows that mining LIS for resident cases is feasible and yields a robust dataset. As an example, we highlight key differences in Gyne case numbers, case types, as well as diagnoses seen. Both general and subspecialty practise settings appear to add distinct value to residency training.
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».