The State of Burn Care Training During Plastic Surgery Residency
Notice bibliographique
Résumé
INTRODUCTION: There is an ongoing shortage of burn specialists, and workforce reports suggest possible hurdles attracting plastic surgeons into burn care. The purpose of this study was to (1) determine the state of burn care in plastic surgery residency and (2) identify what barriers might exist for plastic surgeons pursuing a practice that involves burn care. METHODS: Surveys were distributed to North American plastic surgery program directors and residents, respectively, during the 2018-2019 academic year. RESULTS: Fifty-eight program directors (response, 54%) and 320 plastic surgery residents (response, 30%) participated. Burn care was felt to be an important component in training by most program directors (USA, 88%; Canada, 100%) and residents (USA, 87%; Canada, 99%). The majority of program directors included a burn unit rotation (USA, 88%; Canada, 90%). Rotations for integrated residents averaged 2.5 months and most commonly occurred during second year; independent residents spent 1.2 months on rotation, usually in first year. Three-quarters of American residents were interested in a career that involves burn care in some capacity, primarily burn reconstruction (40%). Factors that would discourage a trainee from practicing burn care in the future included the nature of burn care (60%) and burn operations (45%), the on-call commitment (39%), and a narrow scope of practice (38%). DISCUSSION: This study challenges the belief that plastic surgery trainees are disinterested in burn care. Burn surgery remains an important component of training programs, and we propose several steps to encourage greater interest and participation in the burn surgery workforce.
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 | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 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 ».