Training of oncologists: results of a global survey
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
While several studies have highlighted the global shortages of oncologists and their workload, few have studied the characteristics of current oncology training. In this study, an online survey was distributed through a snowball method for cancer care providing physicians in 57 countries. Countries were classified into low-or lower-middle-income countries (LMICs), upper-middle-income countries (UMICs) and high-income countries (HICs) based on World Bank criteria. A total of 273 physicians who were trained in 57 different countries responded to the survey: 33% (90/273), 32% (87/273) and 35% (96/273) in LMICs, UMICs and HICs, respectively. About 60% of respondents were practising physicians and 40% were in training. The proportion of responding trainees was higher in LMICs (51%; 45/89) and UMICs (42%; 37/84), than HICs (19%; 28/96; p = 0.013). A higher proportion of respondents from LMICs (37%; 27/73) self-fund their core oncology training compared to UMICs (13%; 10/77) and HICs (11%; 10/89; p < 0.001). Respondents from HICs were more likely to complete an accepted abstract, poster and publication from their research activities compared to respondents from UMICs and LMICs. Respondents identified several barriers to effective training, including skewed service to education ratio and burnout. With regard to preparedness for practice, mean scores on a 5-point Likert scale were low for professional tasks like supervision and mentoring of trainees, leadership and effective management of an oncology practice and understanding of healthcare systems irrespective of country grouping. In conclusion, the investment in training by the public sector is vital to decreasing the prevalence of self-funding in LMICs. Gaps in research training and enhancement of competencies in research dissemination in LMICs require attention. The instruction on cancer care systems and leadership needs to be incorporated in training curricula in all countries.
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.
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 | 0,004 |
| 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 | 0,002 |
| 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 découle