Learning by chance: Investigating gaps in transgender care education amongst family medicine, endocrinology, psychiatry and urology residents
Notice bibliographique
Résumé
BACKGROUND: The transgender (trans) population is one of the most underserved in health care. Not only do they face discrimination and stigma from society as a whole, they also have difficulty accessing transition-related care, leading to adverse outcomes such as suicide. We aimed to increase understanding on how our current postgraduate education system contributes to a lack of care for trans patients. METHODS: Our study consisted of 11 semi-structured interviews conducted in 2016 with residents in the following specialties: family medicine (3), endocrinology (3), psychiatry (3), and urology (2). We used Framework Analysis to qualitatively analyze our data. RESULTS: Residents described a lack of trans care education in the core curriculum, in part due to a lack of exposure to experts in this area. They also expressed discomfort when dealing with trans patients, due to inexperience and lack of knowledge. Furthermore, residents in each specialty had false assumptions that other specialties had sufficient knowledge and expertise in trans care. DISCUSSION: This study highlights how the lack of teaching and clinical experiences with trans patients during residency contributes to the poor access to healthcare. By systematically embedding trans care in the curriculum, medical education can play a prominent role in addressing the healthcare disparities of this underserved population.
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 | 0,010 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».