Profiling recent medical graduates planning to pursue surgery, anesthesia and obstetrics in Brazil
Notice bibliographique
Résumé
BACKGROUND: Lack of providers in surgery, anesthesia, and obstetrics (SAO) is a primary driver of limited surgical capacity worldwide. We aimed to identify predictors of entry into Surgery, Anesthesia, and Obstetrics and Gynecology (SAO) fields and preference of working in the public sector in Brazil which may help in profiling medical students for recruitment into these needed areas. METHODS: A questionnaire was applied to all Brazilian medical graduates registered with a Board of Medicine from 2014 to 2015. Twenty-three characteristics were analyzed. Logistic regression was used to determine predictors' influence on outcome. RESULTS: There were 4601 (28.2%) responders to the survey, of which 40.5% (CI 34.7-46.5%) plan to enter SAO careers. Of the 23 characteristics analyzed, eight differed significantly between those who planned to work in SAO and those who did not. Of those eight characteristics, just three were significant predictors in the regression model: preference for working in the hospital setting, having spent more than 70% of their clinical years in practical activities, and valuing the substantial earning potential. These three factors explained only 6.3% of the variance in SAO preference. Within the graduates who preferred SAO careers, there were only two predictors for working in the public sector ("preparatory time before medical school" and valuing "prestige/status"). CONCLUSIONS: Factors affecting specialty and sector choice are multifaceted and difficult to predict. Future programs to fill provider gaps should identify methods other than medical student profiling to assure specialty and sector needs are met.
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 | 0,004 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».