Essential Anatomy for Obstetrics and Gynecology in the Undergraduate Medical Curriculum
Notice bibliographique
Résumé
Introduction To prepare medical students for clinical training and practice, it is critical to understand the anatomical knowledge considered most important for different clinical specialties. Aim To address this issue, a consortium of anatomists in the US and Canada is collecting data from clinical educators in Obstetrics and Gynecology (ObGyn) clerkships and electives to identify the anatomy they consider essential. Methods An IRB‐approved, online survey (Qualtrics, Seattle, WA) was used to assess the importance of 98 anatomical topics in seven body regions. The study first examined the percentage of ObGyn clinical educators (clerkship/elective directors and attending physicians) that considered each anatomical region important to their specialty. Second, the study examined the rank assigned to each anatomical topic using an ordinal scale from 1 (not important) to 4 (essential). Results At the time of abstract submission, data had been collected from 71 ObGyn clinical educators at 22 medical schools. The percentage of ObGyn clinical educators that considered each anatomical region important to their specialty were (highest‐to‐lowest): Pelvis & Perineum (100%), Abdomen (96%), Lower Limb (47%), Back (34%), Thorax (26%), Head & Neck (18%), and Upper Limb (13%). Further data analysis has identified the highest ranked anatomical topics in each body region for the ObGyn clerkship/elective. Discussion and Conclusion This database provides detailed information regarding the most clinically relevant anatomical topics as identified by ObGyn clinical educators. This information can aid in focusing preclinical learning to best prepare medical students for success in their undergraduate and graduate clinical experiences.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 ».