Subspecialty Employment Needs in Academic Radiology Settings Across Canada
Notice bibliographique
Résumé
PURPOSE: The purpose of this survey was to identify current and projected subspecialty employment needs across Canadian academic radiology practices. METHODS: An electronic survey was distributed to academic radiology department heads within the faculties of medicine at Canadian universities between September and October 2019. Respondents identified the number of partnership track radiologists hired in the last academic year, the number of fellowship-trained new hires, and the top 3 subspecialties for new and prospective hires. Descriptive statistics were used to summarize the data. RESULTS: Nine academic radiology department heads responded to the survey (75% response rate) with good regional representation across Canada. Ninety-five percent of new hires within the last academic year were subspecialty fellowship trained. The top subspecialties for new hires in the last year were abdominal imaging and interventional neuroradiology, with 77.8% and 44.4% of academic leaders reporting them as one of the top 3 subspecialties, respectively. The top 3 subspecialties for prospective hires in the next academic year included musculoskeletal imaging (n = 6, 66.7%), followed by abdominal imaging (n = 5, 55.6%), with pediatric radiology (n = 3, 33.3%) and cardiothoracic imaging (n = 3, 33.3%) tying for third place. There was some variability in the subspecialty needs for hires between regions. CONCLUSIONS: The survey results provide valuable information about the current and future subspecialty needs of academic radiology practices. The data obtained can provide guidance to trainees regarding fellowship training options that will optimize their future employability.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».